铁路是我国交通运输的大动脉,加强铁路维护、保障铁路运输安全一直是国家关心和关注的问题。其中,铁轨损伤的检测和分类是铁路维护中的重要一环,要根据铁轨损伤的严重程度采取相应的维护措施,本文解决的是铁轨损伤严重程度的图像分类问题。传统图像的分类一般按照提取特征、重塑特征、分类器分类的步骤进行,本文使用的传统图像分类方法中,提取的特征有HOG特征、SIFT特征、LBP特征,重塑特征使用的是词袋模型和K-means聚类算法组合的方式,分类器使用的是支持向量机。目前,随着深度学习研究的深入,深度学习在ImageNet图像分类大赛中的准确率已经超过了传统方法,这引发了以下思考:能不能将深度学习的技术用于铁轨损伤图像分类呢?针对铁轨损伤图像的分类任务,本文提出了一种基于深度学习的图像分类方法。首先使用数据增强技术,利用旋转、翻转、灰度变化、添加噪声等方法将原有的样本数据集扩充了十倍,并将图片顺序打乱制作了TFRecord数据文件;然后基于实际任务提出了搭建神经网络的思路,并对目前的VGGNet结构做出修改提出了适用于铁轨损伤图像分类的神经网络RDC-VGGNet,实验结果表明修改后的网络运行速度比原来快了12%;最后,本文给出了RDC-VGGNet在TesnsorFlow上的训练步骤和训练参数,使用可视化工具TensorBoard监控相关参数,最终训练出了符合预期效果的网络模型。为了比对RDC-VGGNet与传统图像分类方法的效果,本文选取了HOG+SVM、SIFT+SVM和LBP+SVM三种传统方法,设计实验并建立了TOP-1准确率、精确率、召回率、ROC曲线、运行时间等指标来评价各个模型的性能。实验结果表明,RDC-VGGNet的TOP-1准确率为93.04%、精确率为95.61%,召回率为94.53%,高于传统方法,此外ROC曲线和运行时间也优于传统方法,凸显了深度学习在图像分类任务上的优越性。