轨道表面缺陷检测是现代铁路大规模发展过程中的研究热点,准确并且及时地对缺陷进行检测不仅可以降低铁路的运行成本,而且可以保证列车的安全行驶。常用的轨道表面缺陷检测方法包括超声波检测、涡流检测和目视检测,这些检测方式无法满足轨道表面缺陷检测的及时性和鲁棒性。图像处理技术是计算机视觉领域的主要技术之一,其优点是具有高效率、高精度和非接触性。近年来,图像处理技术已被引入到轨道表面缺陷检测的研究中,有效地弥补了以往轨道表面缺陷检测方法的不足。但在实际检测过程中,传统图像处理算法无法针对轨道表面缺陷图像进行精确检测,检测目标容易受到周围环境的影响而出现漏检或者误检的结果,整个检查系统的速度也需要提高。在相关成果的基础上,本文对基于图像的轨道表面缺陷检测与分类进行了深入研究。针对存在的问题提出了相应的改进算法,主要工作如下:1.提出了一种基于改进Canny的轨道表面缺陷检测算法。该算法将自适应选择滤波窗口与基于轨道表面图像中噪声密度相结合提出了一种自适应加权系数算法,以取代传统Canny算法中的高斯滤波。通过将梯度幅度直方图与类内方差最小化确定的双阈值评估函数和OTSU算法组合来确定Canny算法的上阈值和下阈值。实验结果表明:改进后的Canny算法在提高轨道表面缺陷图像抗噪能力的同时,提升了轨道表面缺陷区域边缘检测效果,增强了缺陷区域提取的鲁棒性。2.提出了一种基于改进蚁群算法的轨道表面缺陷图像分类算法。该算法针对轨道缺陷图像分类中的重要步骤即缺陷图像特征提取,进行了分析研究,并确定了较为全面的选取特征函数的方法。为了解决传统蚁群算法容易陷入局部最优的问题,采用最高相似度作为判别函数对算法进行改进。实验结果表明:改进后的蚁群算法在对轨道缺陷图像进行分类时,分类精确度有所提高。