目前山区隧道段的通讯网络主要通过泄露电缆搭建,并用专门的漏缆卡扣将其固定于隧道墙壁。为确保高速列车在隧道行驶途中能正常通讯,需要定期检修相关设备,及时排除安全隐患。所以提高卡扣的检测准确率,实现自动化检测具有十分重要的研究意义。现阶段基于计算机视觉的漏缆卡扣检测方法已经成为该领域的主流发展趋势。首先采用双线高速像机跟车拍摄隧道画面,获取卡扣图像数据。再根据数据特点设计相应的特征提取算法完成故障检测。但由于故障卡扣数量稀少且远少于正常卡扣,以及判断卡扣损坏程度的标准模糊,这些问题都严重影响卡扣的检测效果。因此,本文开展了基于手工特征提取算法局部二值模式（Local Binary Pattern,LBP）和小样本学习（Few-Shot Learning）的高铁隧道漏缆卡扣故障精准检测研究,取得的创新性科研成果和完成的主要工作内容如下:（1）提出一种基于MD-LBP关联方向特征的漏缆卡扣检测算法。LBP能有效获取待检测目标的纹理信息,不仅特征维度低,还不需大量数据进行训练。所以在LBP的基础上提出多方向局部二值模式（Multiple Direction Local Binary Pattern,MD-LBP）的三层图结构,通过提取漏缆卡扣的关联方向特征实现故障检测。首先对输入图像进行高斯滤波预处理,根据图像的全局灰度均值得到图像的自适应阈值;接着计算图像的三层MD-LBP特征图结构,经过两次连续的下采样,分别得到Cell主方向特征和Block主方向特征;最后在Block特征图上根据基础编码单位得到关联方向特征,以此作为描述子,用SVM完成故障卡扣的区分。该方法不仅能计算采样圆域内多元梯度的差值分量,还同时兼顾了采样圆域间多元梯度方向的关联相似性。实验结果表明,召回率和精准度均超过85%,相较于当前主流的手工特征提取算法有明显优势。（2）提出一种基于MCG-LBP多尺度连续梯度特征的漏缆卡扣检测算法。为进一步增强模型获取漏缆卡扣特征的能力,提高检测准确率,提出多尺度连续梯度局部二值模式（Multi-Scale Continuous Gradient Local Binary Pattern,MCG-LBP）。该算法首先定义了双向三粒子对（Bi-Directional Triplet,BDT）模型的计算方式,并通过BDT获得基础梯度特征图;其次提出按照关键梯度出现频率进行非极大值抑制的下采样策略,不仅实现了卡扣特征的尺度变换,还在很大程度上提升了连续梯度特征的计算效率;最后根据最大连续梯度序列进行编码,将不同尺度特征图中得到的连续梯度特征串联,并以此作为描述子,用SVM完成故障卡扣的区分。实验结果表明,基于MCG-LBP关联方向特征的卡扣检测算法使召回率达到92.6%,明显高于其它主流手工特征提取算法。（3）提出一种基于小样本学习增强型多模组网络的漏缆卡扣检测算法。由于故障卡扣样本数量少,且损坏样式多,为量化不同卡扣的损坏程度,进一步提高卡扣的检测准确率,本文基于小样本学习提出了增强型多模组网络（Enhancement Multi-Module Network,EMN）用于隧道漏缆卡扣检测。首先采用多尺度模块和多区域模块增强网络对同类卡扣相似信息和异类卡扣差异信息的获取;其次提出融合模块,从网络结构的角度优化卡扣特征,提高模型区分卡扣及其背景物体语义信息的能力;最后添加权重平衡系数来优化均方差损失函数,通过关系模块计算查询样本与支持样本对之间的相似性分数,完成故障卡扣检测工作。实验结果表明,本文所提算法的平均准确率达到97.62%,相较于当前的主流手工特征提取算法、深度学习算法、小样本学习的系列算法都有明显提升。