铁路事业的飞速发展带来了日益繁密的铁路网络,列车的安全运行也显得尤为重要。列车在行车的过程中,偶尔会由于异物侵入铁路周界而被迫停运甚至引发巨大事故,这对人民的生命和财产安全造成了极大的威胁。因此,如何实现快速有效的铁路异物侵限检测、防止铁路交通事故的发生成为了研究热点。研究者们将深度学习和计算机视觉理论应用于铁路异物侵限检测,取得了丰富的研究成果。但该领域成果大多针对于白天RGB图像所得到,针对夜晚红外模式图像的研究较少。铁路场景红外图像样本数量少,异常目标的红外样本更是难以获取,而深度学习对样本数量依赖性较强,因此,常规的深度学习目标检测方法无法满足夜晚红外模式下铁路侵限检测的要求。针对该问题,本文以深度学习目标检测算法为基础,融合领域自适应思想,提出了一种基于领域自适应的红外图像目标检测算法,解决了缺少红外图像样本的问题,提升了深度学习目标检测模型在夜晚铁路场景下的异物检测精度。本文方法包括两个阶段:首先,本文基于像素级域适应方法,以Cycle GAN（Cycle Consistent Generative Adversarial Networks）为基础网络,提出了一个CCycle GAN模型,利用该模型实现了对现有样本从RGB到红外的风格迁移,生成了大量红外风格的图像样本,完成了数据增补工作;其次,本文将领域自适应思想与SSD（Single Shot Multibox Detector）算法结合,提出了基于特征适配领域自适应的深度学习目标检测方法,设计了基于最大均值差异（Maximum Mean Discrepancy,MMD）的损失函数,实现了源域和目标域特征的对齐,减小了域间差异,提高了目标域红外图像目标检测的准确率。为验证该方法的有效性,本文进行了多组实验,对传统SSD算法和本文算法的检测效果进行了比对。实验结果表明,本文提出的基于领域自适应的红外图像目标检测算法的检测精度可达90.4%,比传统SSD算法提高了3.9%,较好地解决了夜晚红外图像模式下铁路场景目标检测准确率低的问题。