随着我国铁路行业进入高速发展的阶段,我国铁路科研水平处于世界领先地位,铁路运行速度不断增加,铁路的运行范围也逐步覆盖全国,铁路路网也日趋完善,但是随之而来的铁路行车安全问题也逐渐进入大众的视野内,在众多影响列车运行安全的因素中,铁路线路异物入侵是一个很重要的方面。因此,轨道间异物检测技术就成为保障行车安全一个很重要的手段,同时也在铁路事业高速发展中扮演着不可或缺的角色。针对目前国内外铁路线路异物入侵检测的研究现状,本文提出了一种按照异物尺寸对异物进行分类的算法,将可以将钢轨覆盖住的异物定义为大型异物,位于轨道间的异物定义为小型异物,并根据不同异物所具有的不同特点设计出了不同的检测方案。本文的研究内容如下:（1）在大型异物的检测算法中,根据本文中对大型异物的定义可知大异物是指可以将轨道覆盖住的异物,则大型异物的检测思路就可以将异物的检测转化为对轨道的检测,即能检测到两根完整的钢轨,并且两根钢轨在远处相交于一条直线则轨道间没有大型异物,否则则存在大型异物。在检测钢轨的算法中采用了边缘检测的方法,本文通过对传统的Canny算子边缘检测以及其他的边缘检测方法的研究,发现了传统的Canny算子算法在高斯滤波、梯度计算和高低阈值的确定上的缺陷,提出了一种利用改进后的小波变换替代高斯滤波从而来实现对图片的降噪,并且利用一种新的计算方法对梯度进行计算,同时采用改进了的迭代算法自适应的确定高低阈值,经过仿真实验对比,优化后的Canny算子算法有着更好的检测效果。接着再对边缘检测的结果采用霍夫变换对轨道进行提取,通过对轨道的提取来判断是否有大型异物的存在。（2）在小型异物的检测算法中,由于对小型异物的定义是位于轨道之间的异物,即检测的目标位于两条钢轨之间,则小型异物检测算法的第一步就是从原始图像中提取轨道部分,这就大大减少了图像处理的工作量;小型异物检测算法的第二步就是对提取出来的轨道图像采用优化的蚁群算法进行边缘检测,其中对蚁群算法的优化包括两个方面,即路径选择概率方面的优化以及信息素更新方法的优化,再对边缘检测的结果进行阈值化处理,从而得到异物候选区域;小型异物检测算法的第三步就是对异物候选区域进行特征参数提取,提取异物候选区域的尺寸参数以及颜色参数,并根据提取出的特征参数利用训练好的支持向量机进行分类处理,从而可以准确地分类识别出轨道间存在的小型异物。