铁路扣件检测是维护铁路行车安全的重要任务。在高速铁路快速发展的历史背景下,铁路维护与铁路安全运营变得越来越重要,作为铁路维护的子任务,扣件自动化检测成为越来越重要的科研课题。本文在课题组前期工作的基础上,针对已有的扣件检测系统在性能和效率上的一些不足,提出了新的改进方案。本文的主要工作有：1、由于扣件检测没有公认的基准测试集,为此,本文提出了一种半自动的扣件人工标定方法。使用该方法本文创建了一个扣件基准测试数据集,该数据集包含5个线路文件,共计13416张图像,80026个扣件,其中79043个正常扣件,983个丢失或污损扣件。本文同时实现了实验结果的自动评估系统,能够根据实验结果与标准测试集自动统计扣件检测准确率,并给出评估报告,从而大幅缩短实验的周期,为不同算法的性能评测提供了自动化平台。2、提出了一种基于在线学习的自适应扣件检测算法来对定位的扣件进行分类。该方法避免了原有的固定阈值的扣件检测算法中需要指定阈值参数的不足,并且对新线路或同一线路的不同视频具有自适应调整的能力。该方法在实验中针对不同的线路获得了91%-99%的精确度。3、为了解决扣件检测系统实时性的问题,本文提出了采用CPU-GPGPU (General-purpose computing on graphics processing units)异构的方法将耗时比较多的子算法并行化,并且让GPU与CPU协同工作来提高运算效率。在实验中HoG特征和距离计算的加速比分别达到了17.73和11.22,对整个检测系统的加速比达到了6.11。