轮对作为高速列车重要的支撑和走行部件,会因轮轨滚动接触而引起踏面微小表面缺陷,若任其恶化,则易造成影响列车运行安全的轮对踏面断裂等严重缺陷。传统方法采用人工检测、超声波探伤、磁粉探伤,此类方法通常需要落轮处理,不利于高速铁路的智能化运维。近年来,计算机视觉和深度学习结合的缺陷检测技术成为了工业缺陷分类和目标检测的一种有效解决方法。这得益于卷积神经网络的强大特征提取和表征能力,使其更加擅长处理复杂工业图像数据。因此,本文面向有限样本下高速列车轮对踏面特征的有效提取问题,开展了基于卷积神经网络的高速列车轮对踏面表面缺陷诊断方法研究,其具体研究内容如下:（1）针对模型所需的高速列车轮对踏面表面缺陷数据样本获取问题,首先使用轮对踏面缺陷图像采集系统进行图像的采集;其次对轮对踏面表面缺陷类别图像进行分类,制作轮对踏面表面缺陷分类数据集;最后对采集图像进行整理和标签标定,建立了轮对踏面表面缺陷目标检测数据集。为后续设计轮对踏面表面缺陷分类模型和轮对踏面表面缺陷目标检测方法提供数据支撑。（2）针对小样本条件下,高速列车轮对踏面表面缺陷分类难问题,提出一种基于无参注意力和脊柱神经网络模型。首先,利用预训练卷积特征提取网络提取出各个类别特征图;其次,通过无参注意力模块（Sim AM）在有限的训练样本下,提取出踏面图像表示性更强的类别特征;最后,通过脊柱全连接层（Spinal Net FC）分段获取局部和整体语义进行关联决策,得到各个类别强区分性表示图像特征,执行表面缺陷判别。实验结果表明,该方法优于一些主流的识别方法。（3）针对传统深度学习检测算法对局部语义和位置信息提取不充分的问题,提出了基于多尺度特征融合的Yolov4高速列车轮对踏面表面缺陷目标检测方法。具体的:本研究提出了一种多尺度特征融合模块;该模块嵌入Yolov4帮助网络融合局部语义和位置细节,为网络提供高质量特征学习。同时改进后的损失函数能够加快网络的收敛速度。实验结果表明,本研究提出的表面缺陷检测方法能有效强化模型定位精度和语义辨别。本文对高速列车轮对踏面进行研究,采集了研究所需的实验数据集;提出了基于卷积神经网络的踏面表面缺陷分类方法,解决小样本轮对踏面表面缺陷分类难题;提出了基于卷积神经网络的踏面表面缺陷目标检测算法,解决轮对踏面检测精度低的问题。完成高速列车轮对踏面表面缺陷的分类和目标检测。