铁路安全是国家经济发展的基础保障,定期轨道检测也成为铁路工作中不可或缺的一部分。我国铁路检测工作除大型轨检车的定期巡检外,各铁路局也将不同轨检设备用于日常检测中以替代人工巡检。大型轨检车检测效率高,但调度不便、造价昂贵。轨检仪等检测设备效率低下,不适用于长线检测。针对以上问题本文将设计基于机器视觉的轨道缺陷智能巡检小车用于完成铁路日常轨道巡检任务,并使用深度学习目标检测算法代替传统检测算法,提升钢轨缺陷检测速度与检测精度。首先,对轨道巡检小车提出总的设计方案。在了解行业背景及铁路巡检车运行原理后确定本文巡检小车基本性能要求与方案。按照巡检小车组成分为图像采集系统,缺陷检测算法和巡检小车加工测试三部分。其次,根据轨道特征设计轨道图像采集系统。使用高速线阵相机作为图像采集核心设备,利用光电编码器控制相机进行图像采集,考虑到外部光照对图像采集影响较大,选择条形光源作为辅助光源保证图像采集质量,使用锂电池为图像采集装置供电并用磁盘阵列存储采集图像。软件部分设计图像式轨检系统采集与显示界面用来显示图像采集结果并在后期轨道缺陷检测中用于数据对比。主要包括参数设置模块、连续显示与保存模块以及文件命名与图像提取三部分。图像采集软硬件设计完成后在实验室搭建图像采集平台测试采集结果,用传送带模拟巡检小车运动状态,测试结果良好,实现了钢轨图像的高速采集。然后,使用深度学习目标检测算法对轨道缺陷进行定位识别。经过数据分析发现钢轨表面缺陷样本数据量较少,深度学习的图像式检测方法准确率高的必要前提是模型训练样本充足,经过网络对比选择基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）的钢轨样本扩充方法来解决数据不足的问题。样本充足后训练轨面和扣件缺陷检测的深度学习模型,在分析当前主流深度学习目标检测算法后结合实际对象选择基于候选区域的深度卷积神经网络（Faster Region-Convolutional Nrural Networks,Faster R-CNN）进行缺陷检测,并对生成钢轨样本进行测试,验证其可使用性。最后,设计轨道巡检小车搭载图像采集装置获取轨道缺陷图像并验证缺陷检测算法的准确性。搭建便携式轨道图像采集小车在钢轨测试线路进行图像获取,针对现场采集过程中出现的问题改进后对轨道巡检小车进行3D建模。根据小车荷载与速度要求计算相匹配的电机并控制,然后对车架部分进行静力学仿真验证结构合理性后加工小车。图像采集电气设备与电机安装后在实验室测试结果良好并获取现场钢轨图像。将采集到的含缺陷样本分类后制作轨道表面与扣件的缺陷数据集测试缺陷检测结果。实验结果表明巡检小车图像采集效率高,采集到的钢轨图像清晰、完整、不失真。缺陷检测速度快,精度高,与人工巡检相比减少工作量的同时提高了检测效率,符合设计要求。