自2000年以来,列车运行动态监测系统(TFDS)在各大列检所相继投入使用。该系统通过布置于铁轨边的高速摄像机阵列,拍摄列车关键部件图像,列检员从图像中分辨列车部件的故障,使得列检方式由现场作业转向了室内作业。但是TFDS系统现有的列检方式劳动强度依然很高,并且受主观因素影响较大。因此,设计一套列车部件故障自动检测系统,改进当前TFDS系统的故障检测与定位方法,实现人工检测方式到自动识别方式的转变,具有重要的意义。TFDS部件故障自动检测系统分为图像预处理、特征提取、特征选择、故障图像识别和故障部位定位五个关键步骤。首先,针对列车部件图像存在的噪声污染、模糊、曝光不均匀、图像维数过高等问题,对部件图像运用基于均值和中值滤波、Laplacian锐化、直方图均衡和尺度变换的预处理技术,提高了列车部件图像的可视对比度,降低了噪声干扰,为后续故障图像判别和定位打下基础；其次,针对列车部件图像纹理信息复杂、故障类型较多、不易定位的特点,提出了一种基于灰度共生矩阵的纹理特征提取方法,实现了对图像局部信息的特征提取；然后,提出了一种改进的Q-ReliefF特征选择算法,选择出与图像模式相关性最大的特征,解决了Releif算法中对个别特征盲目选择的问题。图像分类采用k近邻、支持向量机和BP神经网络的分类方法,利用已选择出的图像特征,分别对列车侧架、制动梁、摇枕、盖板、提钩杆和枕簧等关键部位进行故障识别；最后,提出一种基于尺度不变的SIFT特征匹配算法,解决了不同图像中故障部位存在的几何形状差异性较大的问题,实现了对故障部位区域的定位。将所提出的列车故障自动检测、识别和定位方法,在Maltab平台下开发一套软件系统,并在某列检所的检测系统中试运行。经验证,所设计的算法对列车故障识别与定位具有一定的实用价值。