基于视觉的轨道扣件缺陷检测方法作为一种可替代人工巡检方式的低成本、高效率方法,在铁路运输安全保障方面具有重要的研究意义和广泛的应用价值。传统方法由于使用的是低级视觉特征,在扣件定位以及扣件缺陷分类任务上存在准确率低、鲁棒性差、泛化性差等缺点,因此并不适用于复杂环境下的扣件缺陷检测任务。基于深度学习的方法相较于传统方法在准确率、鲁棒性以及泛化性上都有明显的优势,然而这些方法大都忽略了扣件目标的特性,采用了具有复杂结构的特征提取网络,因此在简单的扣件定位任务上并不能获得满足实时需求的定位速度,同时难以检出缺失扣件。此外,大多扣件缺陷分类网络采用了单一尺度卷积核的设计,导致提取到的特征缺乏判别性的上下文信息,这并不利于特征相似度高的扣件缺陷多分类任务。同时,由于扣件缺陷样本难以获取,在训练样本较少的情况下,深度卷积神经网络模型存在过拟合问题。本文主要研究基于深度学习的扣件缺陷检测方法,针对目前基于深度学习的方法中存在的问题,本文分别提出了一种基于深度卷积神经网络的扣件定位和扣件缺陷分类算法,并在中国铁道科学研究院提供的非公开数据集上对其性能进行了评估,本文的贡献主要可以概括为以下两点:（1）提出了一种基于特征融合注意力机制的扣件定位算法。首先,采用了一种基于中心点检测的定位框架,该框架可以减少后处理时间提升定位速度;其次,提出了一种轻量的单一沙漏结构网络作为特征提取网络,同时通过引入跳跃连接和注意力机制设计了一种特征融合注意力模块用于改善特征提取网络的特征表达能力,该网络可以提取语义丰富的高分辨特征,在实现精准定位的同时能够达到实时的定位速度;最后,提出了一种基于先验知识的缺失扣件匹配后处理算法来解决缺失扣件漏检问题。实验表明,本文扣件定位算法与其他基于深度学习的方法相比在扣件定位任务上实现了定位精度和速度的最优平衡。（2）提出了一种基于高效多尺度特征选择机制的扣件缺陷分类算法。首先,提出了一种改进的高效多尺度特征选择模块,该模块可以提取三种不同尺度的特征,并通过可学习的注意力权重对其进行加权融合,同时该模块采用了高效的设计对参数进行压缩,使其在提取到具有丰富上下文信息的多尺度特征的同时减轻了模型过拟合问题;其次,提出了一种可学习参数的特征仿射变换层,通过增强特征多样性来进一步提高模型泛化性能;随后,基于高效特征多尺度特征选择模块和特征变换层设计了一种扣件缺陷分类网络;最后,引用了一种联合损失函数用于同时优化类内距离和类间距离,使网络学习到更具判别性的特征。实验表明,高效多尺度特征选择模块、特征变换层以及联合损失函数均有效地提高了网络的特征表达能力并改善了过拟合情况。本文扣件缺陷分类算法与其他方法相比在扣件缺陷分类任务上取得了最优的分类结果,具有良好的泛化性能。