随着动车组数量的不断增长,对动车组故障检测的任务量也越来越大,检测的难度和要求也越来越高,故研制一套无人或者少人化的动车组故障检测系统十分必要。目前动车组入库检修的过程需要工作人员依靠眼睛观察、手电筒辅助照明工业相机录像、尺子测量等传统的检查方式进行动车组故障的检测,受位置变化、人体疲劳和光照条件等不可控因素的影响,故存在很多的误检和漏检。近几年,基于深度学习的目标检测算法取得了空前发展,将Faster R-CNN等深度神经网络目标检测算法应用到动车组的故障检测也逐渐兴起。与支持SVM向量机等传统目标检测算法相比,Faster R-CNN算法能从样本数据中提取到更加丰富的特征,经过训练得到的网络模型对故障检测的效率更高,鲁棒性更好。为了使Faster R-CNN算法能够满足动车组故障检测的应用场景要求,本文进行了一下改进。针对Faster R-CNN算法在单GPU训练的过程中存在效率低、耗时长的问题,引入多GPU的数据并行进行加速训练,并通过在CPU中增加参数副本的方法对异步随机梯度下降算法进行改进,在此基础上以数据并行的方式管理GPU间的数据传输。另外,在GPU中创建负责传输和计算的线程,实现任务并行,最后通过单GPU与双GPU的对比实验验证其对训练过程的加速效果。针对Faster R-CNN算法应用于动车组图像故障检测效果不理想的问题,提出一种基于Inception-Res Net基础特征提取网络和小目标优化的方法。首先,使用不同大小的卷积核与输入层的输入进行计算,再将得到的计算结果与输入层的输入进行联合输出,最后将每个Inception-Res Net模块输出进行反卷积,得到大小相同的多特征图,输入到ROI层和RPN网络中。在PyTorch深度学习框架上进行网络模型训练的耗时对比实验与算法改进后对故障图像检测效果的对比实验,最终实验结果表明,本文提出的优化改进相比改进前具有更好的检测效果。