铁路是国家重要的基础设施,是国民经济的大动脉,在推动我国经济社会又好又快发展中发挥着重要作用。而铁路异物入侵问题严重威胁着铁路运营安全,常见的解决措施主要是人工巡检和设置沿线大量摄像头进行监控,这无疑耗费大量人力物力并且存在监控盲区,因此本文提出了一种基于旋翼无人飞行器的铁路异物侵限检测系统,能够全天候、全路段自动进行检测,所设计巡检系统首先进行全路段自主导航,实时采集视频图像信息,其次对夜间及隧道路段的图像进行低照度增强,接着通过分割轨道区域在图像中界定出安全区,最后完成范围内异物的检测识别,具体研究内容如下:（1）研究了无人机在隧道路段巡检的定位与导航功能,提供了后续图像采集及处理的平台。开阔路段无人机直接利用GPS定位,对于隧道路段本文利用Hector Slam算法构建地图定位,然后基于人工势场法进行路径规划,针对传统人工势场法容易陷入局部极小值的问题,本文利用线性判别分析算法预测其状态,避免其落入局部最小值,实验表明无人机在改进的人工势场法下,可以有效避免局部极小值问题。（2）提出了一种基于Retinex理论改进的低照度图像增强算法,奠定了隧道环境下图像处理的基础。无人机在夜间及隧道路段工作时会采集到低照度视频图像,需要对其低照度增强,针对传统的Retinex算法可能出现光晕并且丢失边缘信息的情况,本文将导向滤波引入到传统Retinex算法中,用以估计光照分量,保留图像边缘信息,实验表明使用本文方法处理的图像结构相似性能够达到0.2,图像信息较为丰富。（3）设计了一种基于U-net网络改进的轨道分割方法,界定了后续异物侵限检测的范围。针对传统U-net网络分割轨道精度不高的情况,本文引入残差学习思想和注意力机制优化了原有U-net网络结构,使得改进后的网络能够忽略无关背景,聚焦于轨道区域,并且能够缓解因网络加深而出现的梯度消失问题。改进的U-net网络在实验中分割效果得到了一定提升:Dice系数从75.92%提升至83.45%。（4）完成了Tiny-YOLOv3算法在嵌入式平台上的部署,实现了无人机端的实时异物检测。由于机载嵌入式板算力有限,本文在原网络中引入了CSP结构,通过分裂合并的方法加强轻量化网络的学习能力,同时利用高斯金字塔池化避免了过程中信息丢失,提升了网络的检测性能,另外还利用TensorRT减少计算并精简网络。实验表明推理加速后的Tiny-YOLOv3算法可以以38FPS实时运行在Jetson TX2开发板上。