铁路扣件作为固定轨枕和铁轨的重要连接组件,起到了保障列车运营安全的重要作用。由于铁路列车运营的频次随着时代的进步在不断的增加,这样一来,铁路扣件很易出现松动、丢失等故障,一旦出现,将导致无法估量的严重事故,所以针对扣件的状态检测必不可少。然而传统的扣件状态检测是依靠人工巡检,此方法效率低并且准确度不够。因此采用机器视觉技术实现扣件状态的自动化识别是一个重要的发展方向,而轨道图像的特征提取及标签研究是该方法的基础。针对轨道图像的特征进行标签的自动处理计算,对及时发现状态异常的扣件进行检修,保障列车的高速稳定运行,从而促进国家的经济发展有一定的研究意义。本文重点研究轨道图像的特征提取,为后续图像的自动分类提供技术支撑。首先对轨道结构的基本组成及其空间约束关系进行了介绍说明,并对图像的特征进行了分类阐述。为了更好的对特征点进行提取,针对传统Harris-SIFT算法由于系数k以及阈值T的限制,导致特征点提取还不够精准并且计算速度慢的问题,对Harris检测算法进行了改进,同时保持SIFT尺度不变特征变换算法,提出了改进的Harris-SIFT算法,并经过实验证明,改进算法具有很强的实时性能和高匹配率,同时也能有效的反映出轨道图像形状特征。其次,本文采取像素距离计算和模式匹配的办法来实施扣件的状态识别。为了对扣件的工作状态进行有效识别判断,通常是要判断它们是否处于联结紧扣状态或不紧扣的状态。针对特征区域定位中的NCC算法匹配速度比较慢的不足,提出了一种改进的NCC算法-FNCC。其基本思想是对每一次的匹配过程运算量进行减小,从而实现既保证精度又提升匹配速度的目标。并采取绝缘帽的特征距离与弹条的特征距离两种方式对扣件的状态进行判断,将扣件的紧扣状态设置为标签状态A,非扣紧(含损坏)状态设置成B,通过仿真实验表明,两种方法识别率均很高,同时通过两种方法的结合可以裨补缺漏,提高状态识别可靠性,并且很大程度上降低漏检率。最后,针对扣件状态标签的自动识别处理问题,本文介绍了卷积神经网络的组成及特点,并对改进的YOLOv3扣件检测算法进行了研究。(1)利用密集相连模块和过渡模块构造深度特征提取网络,并设计5个不同尺度卷积层的特征金字塔,解决了特征图的尺度较大导致检测结果较粗糙的问题。(2)利用K-means算法重新对目标框维度聚类,使其更好的适应扣件的特征。(3)建立并标注了扣件数据集,并设置多组对比实验对算法进行测试。结果表明,改进的YOLOv3扣件检测算法对扣件目标检测具有良好的鲁棒性,在有遮挡情况下取得较好的检测效果。