随着我国铁路系统的快速发展,铁路网规模不断扩大,涉及铁路运行安全的图像视频采集点增多、信息采集密度不断加大,导致铁路运行安全图像数据持续增长。然而,目前针对这些采集图像数据进行的铁路运行安全分析多依靠人工完成,存在检测效率低、检测成本高、误检、漏检等问题,因此亟需开展面向铁路运行安全的智能图像识别关键技术研究,为保障铁路安全平稳运行提供技术支撑。近年来,基于深度学习理论的各类算法在人脸识别、目标检测和无人驾驶等领域得到了广泛应用。然而,其在铁路行车安全方面的应用相对较少。本文将基于深度神经网络的目标检测方法应用于铁路行车安全领域,开展基于深度神经网络的机车信号灯、轨道上的行人、铁路道岔开行状态和开行方向,以及调车作业中的信号灯、行人、机车车辆等检测研究,为铁路运行安全提供智能化分析决策提供数据支撑,为消除铁路运行安全隐患提供可靠保障。本文的主要工作如下:（1）针对铁路机车行进中对信号灯和轨道上行人的检测问题,提出了一种基于YOLOv4的铁路信号灯和行人检测方法,并基于该方法设计开发了智慧司机辅助瞭望系统,建立了铁路机车信号灯和行人检测数据集LSLPRD。在LSLPRD数据集上对所提出的方法进行验证,实验结果表明,本方法能够准确地识别和检测机车行进中的信号灯和行人,识别精度达到84.75%,检测速度达到25 FPS。在兰州铁路局机务段的实际应用结果表明,智慧司机辅助瞭望系统能够在不同光照和照明条件下,满足机车行进前方1.2km检测范围内对信号灯和行人的实时检测需求。（2）针对铁路调车作业场景中的信号灯、行人和机车车辆识别需求,提出了一种基于改进YOLOv4-tiny的轻量化调车作业目标检测算法,建立了铁路信号灯、行人、机车车辆识别综合数据集LSLPRD+。算法通过在YOLOv4-tiny的主干网络中引入多尺度特征融合模块和SE-Net注意力模块,在不降低检测速度的前提下,提升了对小目标的检测能力和识别准确率。在LSLPRD+数据集上的实验结果表明,本算法在英伟达Jetson Nano嵌入式设备上的检测速度达到21FPS,检测精度达到96.04%。与同类型的轻量级目标检测算法YOLOv4-tiny相比,本算法对小目标和远处虚化目标的检测能力较强,有效降低了对小目标的漏检率。（3）针对铁路道岔的识别和检测问题,提出了一种基于Mask R-CNN的铁路道岔开行状态和开行方向检测方法,建立了铁路道岔检测数据集RTRD。算法通过采用铁路道岔模板匹配法进行视频关键帧的提取,提高了对道岔的识别和分割速度。在RTRD数据集上的实验结果表明,在5m～1200m检测范围内,本算法的m AP达到83.5%,检测速度达到10 FPS。与Faster R-CNN和YOLOv4算法相比,本方法能够准确地检测出不同道岔的开行状态和开行方向,实现对道岔尖轨方向的检测,检测准确率分别提高了2.5%和9.5%。（4）针对铁路调车作业场景中的轨道和道岔检测问题,提出了一种基于改进YOLACT的调车作业轨道和道岔分割与检测算法,建立了铁路轨道及道岔检测综合数据集RTRD+。算法通过引入可变形卷积和CBAM注意力模块,提高了对调车作业前方轨道和道岔的分割与检测能力。在RTRD+数据集上的实验结果表明,与Mask R-CNN和YOLACT算法相比,本算法能够准确地检测和分割不同轨道与道岔区域,分割准确率较YOLACT提高4.05%,达到86.51%;算法在Ge Force GTX 2080上的检测速度达到31 FPS,较Mask R-CNN和YOLACT算法分别提高23FPS和9FPS,在英伟达Jetson Nano嵌入式设备上的检测速度达到20FPS。基于深度学习的铁路行车安全图像识别技术研究成果,丰富了铁路行车与调车安全领域的研究内容,可为实现机车自动驾驶及环境感知技术的研究提供参考。