在铁轨服役过程中,长期磨损会导致多类型缺陷产生,包括滚动接触疲劳裂纹、掉块、内部核伤等。因此,对铁轨进行巡检是保证列车安全运行的必要手段。电磁热成像物理上耦合电磁和热效应,能同时自动化检测表面与亚表面缺陷,是铁轨近表面巡检的有效技术之一。目前常用于电磁热成像铁轨缺陷检测的目标检测算法性能较大程度取决于缺陷训练数据集的丰富性,无法充分利用无需标注且易获取的背景样本,因此基于监督学习的铁轨缺陷检测算法在实用性上存在局限。异常检测算法对数据集中无异常样本进行建模,可用于异常数据检测,较大程度实现了多类缺陷检测上的泛化性。由于异常检测多为无监督模型,对铁轨数据集中面积大且明显的异常检测效果较好,但对微弱、面积小的缺陷检测效果较差。本文针对以上问题,提出以下创新点:·提出嵌入度量学习模块改进结合记忆力向量的自编码器,用于优化微弱缺陷检测性能。该模型工作在半监督模式下,充分利用铁轨数据集中大量时空变化的背景数据,同时加入有限获得的缺陷数据对模型进行特定监督,实现了对铁轨各类缺陷的高性能检测。嵌入的度量学习模块加入缺陷样本对模型训练过程进行特定监督,度量拉伸异常样本特征向量与背景样本特征向量之间的距离。实验证明,加入度量学习模块的模型提高了模型对微小缺陷的检测准确率,并保证了模型的泛化性,提出的模型在铁轨缺陷数据集上相较于第二的算法在指标AUC（Area Under Curve）上提高了16%。·在上述模型基础上,提出了多记忆力度量异常模型框架,推导框架的多记忆模块嵌入,验证模型用于跨域多背景下的缺陷检测可行性,实现模型背景信息表征的泛化能力。实验证明,嵌入多记忆力模块且联合多映射器方式消除了原数据集中灾难性遗忘导致在指标AUC上9.2%的下降。