随着我国铁路运营里程的不断增加,铁路运行环境也日趋复杂。铁路运行环境检测作为排除潜在安全威胁的有效措施,受到越来越广泛的关注。铁路运行环境检测主要包含钢轨部件检测和铁路前向运动环境检测两部分。本文以铁路运行环境为主要研究对象,考虑图像模糊、光照不均和自相似物体对铁路运行环境检测的影响,应用图像复原、图像增强以及图像配准三种方法解决上述铁路运行环境检测过程中的实际问题。本文提出的图像复原方法和图像增强方法分别克服了图像模糊、光照不均对图像的影响,为钢轨部件检测提供了清晰的可检测的钢轨和扣件图像;图像配准方法克服了自相似物体对配准的干扰,使后续基于模板比较的铁路前向运动环境检测成为可能。本论文的创新之处在于:一、考虑图像模糊和噪声对钢轨擦伤检测的影响,提出了一种基于卷积神经网络的正则化方法,克服了传统正则化方法对图像中不同区域不加区分采用单一范数约束进行复原的局限性。该方法将图像复原中的范数选择问题看作一个分类问题,利用卷积神经网络指导不同图像子块选取更合适的范数形式进行正则化约束,使正则化方法不再局限于单一的范数约束形式,获得了更优的复原效果,为后续钢轨擦伤检测提供了更为清晰的输入图像。该方法的计算复杂度远小于传统正则化方法并且可以实现并行化处理,具有良好的普适性,经过改造后也可以应用于一般自然图像的复原,其复原结果也优于其它广泛使用的正则化图像复原方法。二、考虑光照不均(或称分片均匀)对钢轨扣件缺失检测的影响,提出了一种基于图像局部特征的感知增强方法,克服了传统Retinex感知增强方法对整张扣件缺失图像采用同一大小的卷积核估计光照的局限性。该方法考虑场景内部光照分片均匀的特性,通过图像分割算法将钢轨扣件图像分为不同子图,利用平均高斯曲率指导不同子图选择适合大小的高斯卷积核进行光照估计,然后将得到的光照估计(照射分量)进一步处理并与反射分量合成增强的钢轨扣件图像。该方法提升了图像的增强效果,提高了后续钢轨扣件缺失检测的准确度并且具有良好的普适性,经过改造后(如加入颜色复原和色偏修正等)也可以应用于一般自然图像的增强,其增强结果也优于目前广泛使用的Retinex图像增强方法。三、考虑铁路前向运动图像中特征点匹配容易受到场景内自相似物体的干扰,提出了一种基于深度信息的铁路前向运动图像配准方法,克服了传统图像配准方法无法应用于高自相似物体准确配准的缺陷。该方法利用图像深度信息指导铁路前向运动图像的配准,首先将铁路前向运动图像分为场景深度和物体深度两部分对于场景深度,将图像中地平线以上的天空部分设定为无限远,地平线以下的地面部分由图像底部向地平线位置深度均匀递增;对于物体深度,考虑场景内不同深度位置运动物体光流不同的特性,利用光流大小近似物体深度。然后使用导向滤波对深度信息进行优化,求得精确度较高的铁路前向运动图像的深度估计。最后通过构造D-SFIT特征描述子,实现铁路前向运动图像场景中自相似物体的准确配准,为后续铁路前向运动环境检测的研究奠定了基础。