近年来,地铁列车迎来了新的黄金发展时期。由于地下环境阴暗潮湿、地铁负荷量大、制动频繁等因素的影响,地铁列车的零部件易发生故障而严重危害公共交通安全。这对地铁列车的安全巡检提出了更高的要求。传统的地铁车辆巡检方式以人工为主,具有效率低、成本高、结果不稳定等不足之处。本文依托部署于列车运行现场铁轨底部和侧部的高精度相机成像图片,研究了基于计算机视觉的地铁列车关键装置零部件的缺陷检测算法,采用深度学习和异常检测技术,克服了负样本缺失和复杂环境带来鲁棒性差的问题,为列车的安全巡检提供了新的可行技术方案。主要内容包括:1)分析了国内外列车巡检和负样本缺失条件下的异常检测算法的研究现状,由此引出本文针对关键装置零部件中难点问题检测的技术方案。进一步介绍了卷积神经网络的基本概念、原理和发展历程,为后文提供理论依据和技术铺垫。2)利用Mobile Net V2网络、轻量级RPN网络、空间与通道注意力机制改进Faster RCNN,在精度不损失的情况下,大幅度缩减了网络模型,提升检测速度。在满足检测精度的条件下,本文方法模型大小缩减到21.2MB,每张地铁装置图片的零部件检测速度为45ms,综合表现优于对比的其它算法。3)针对故障样本不足的工业难题,采用一类卷积神经网络保证了负样本缺失下算法良好的特征提取能力。改进网络结构,实现网络训练中真实负样本和模拟负样本特征的耦合,提升了网络模型对细微故障的检测能力。采用新颖的Efficient Net替换基础卷积网络,实现了精度的提升和模型大小的大幅缩减。通过实验表明多种类型螺栓异常检测的AUC指标值达到0.99以上。结合上文的定位算法,对输入的关键装置图片测试,得到了0.4s的单张图片处理速度和零漏报条件下,各类故障误报率均低于10%的故障检测效果。4)分析研究了生成对抗网络对于空气弹簧的缺陷检测的作用效果,针对原始GANomaly网络中对抗网络容易发散而失效的情况,设计了一套新的对抗网络结构。本文方法更好地引导生成网络对特征的编码和重建,使得整体的AUC指标达到0.9989。通过对比实验表明该方法优于其它方法,并在空气弹簧原始图片上展现了优良的检测性能。