矿产资源是人类发展和社会进步必不可缺的物质基础,随着科技和社会经济的发展,矿产资源的需求量与开采量也在逐年攀升,与此同时也带来了一系列的矿井机车运输事故。自动驾驶系统的实现可有效减少运输事故的发生,而轨道检测是实现矿井自动驾驶系统的一个重要内容。传统的轨道检测算法受限于手工设计的低级特征,在检测的精度和速度上无法达到令人满意的程度,且极易受光照、积水、电缆等环境因素的影响而造成检测速率过低和准确率不高等问题。近年来,随着人工智能以及深度学习技术的日新月盛,相关理论研究已经被广泛应用于各个领域,如人脸识别、行人检测等,但是在井下轨道检测领域还未有涉及。本文针对上述问题,立足于深度学习相关理论,开展了基于深度学习的轨道检测研究。在现有卷积神经网络相关算法模型的基础上提出基于深度学习的端到端井下轨道检测算法,不需要手工设计特征,可直接由输入端的数据得到输出端的结果,检测精度和效率都远超传统轨道检测算法。下面是本文的主要研究内容:(1)开展了深度学习、卷积神经网络以及语义分割等方面相关理论的研究,为第三章以及第四章网络模型的改进以及参数优化等工作提供有力的支撑。采集井下轨道视频并进行标注,构建了井下轨道训练数据集。(2)针对井下特殊环境以及轨道形状等特点,本文构建适用于井下轨道检测的空间卷积神经网络,实现了轨道像素级别的实例分割。通过对不同轨道场景下的图像进行测试及相关算法的对比实验,检验了模型在多种环境下的适应能力,证明了基于深度学习检测模型相较于传统手工设计特征方法的有效性,验证了其在光照明显较弱以及严重遮挡等复杂环境下的鲁棒性。本章轨道检测模型可以有效抵御各种复杂外部环境的干扰并且在多种轨道形状检测上均有良好的适应能力,平均轨道检测准确率可达97.29%左右,检测准确率较高,鲁棒性能良好。(3)为了进一步满足轨道检测在高分辨率下的实时应用,我们在双边分割网络的基础上,通过改进原网络中的上下文路径模块、边界细化模块以及特征融合模块,提出了用于获取较大感受野的金字塔注意力模块,以及用于综合空间路径模块和金字塔注意力模块特征的通道注意力融合模块。通过相关实验验证了所提模块的有效性,网络模型可以高效优质地提取出轨道区域,实现了兼具实时性与准确率的轨道检测方案,检测速率可达50FPS,检测精度可达86.79%。