铁路安全是铁路运营保障体系中的关键内容,伴随着铁路规划和铁路网建设的不断推进,以及铁路营运时间的持续增加,钢轨表面缺陷以及扣件异常等轨道缺陷问题也逐渐突出,因此对这些缺陷进行及时准确的检测对于保障铁路运行安全意义重大。传统轨道缺陷检测算法训练过程复杂,且不具有泛化能力,不能满足当前复杂的铁路环境和检测场景的应用需求。基于机器视觉的轨道缺陷检测相较于传统方式,在检测速度和精度上都有较大提高,且算法可以自主学习目标特征,对环境等的限制条件少,能实现对轨道缺陷的精确检测。本文提出对于钢轨表面缺陷以及扣件异常检测的检测模型,并对两个模型进行基于铁路缺陷状态检测的适应性改进,以满足铁路应用需求。针对钢轨表面缺陷问题,使用U-Net模型作为缺陷分割算法,并对其进行改进。（1）采用残差结构代替原有卷积层。不仅可以适当加深模型深度,增加对钢轨表面缺陷提取的特征,弥补池化带来的边缘细节损失,从而使得分割更为精准;而且残差结构利用恒等映射将浅层信息送入深层网络,提升网络分割精度,同时能避免由于网络深度增加而导致的梯度消失等问题。（2）在跳跃结构中增加大卷积核结构。通过在跳跃结构中加入大卷积核,不仅可以增加提取信息的全局性,提取更多轨道表面缺陷的细节信息,而且高低层特征能更好地进行融合,减少浅层特征引入的噪声,提高模型整体分割精度。（3）在模型中引入注意力机制。原模型结构中一般是对图像整体进行预测分割,因此网络会提取过量背景特征,降低对轨道表面缺陷位置的分割效果。通过引入注意力机制,一方面提高对缺陷位置的权重,另一方面能抑制背景及噪声,使得模型参数减少,同时提高对缺陷部分的分割准确性。针对扣件异常问题,使用Faster R-CNN作为扣件检测算法,并对其进行改进。（1）采用多层融合。使用Resnet网络替代原有特征提取网络,根据需求灵活设置残差块数量,从而可以提取更多图像的细节和空间信息,使得模型分类和定位更准确。并在特征提取时采用多层融合技术,将低层空间信息融入特征图中,使模型对于扣件位置定位更加准确。（2）减少RPN网络的建议框数目。在原有网络中,由于所针对目标的大小和位置难以预测,因此使用大量不同规格、不同比例对整幅图像进行搜索。但在扣件检测领域中,目标所在图像位置变化较小,故仅需考虑使用不同尺寸的建议框对其进行预测,可以减少建议框数目,提升模型的检测速度。为检测两个模型在轨道缺陷检测中的整体性能,将本文检测模型和同领域模型进行对比,本文所提改进算法在钢轨表面缺陷分割和扣件异常检测中,检测精度和速度都有一定的提升,对钢轨表面缺陷分割精度达到80%,对于异常扣件平均检测精度达到94%,均优于现有铁路缺陷研究中的检测算法。