钢轨作为铁路的重要组成部分,在长期反复荷载作用下,容易出现表面伤损和内部伤损,且主要表现为表面伤损。钢轨表面伤损不仅会使列车产生振动、噪音,影响列车的运行质量,并且当伤损发展到一定程度,将导致钢轨断裂,甚至导致列车出轨、倾覆等事故,影响列车运行安全。因此,对钢轨表面伤损检测进行研究具有重要的意义。在常用的钢轨表面伤损检测方法中,涡流检测、漏磁检测、激光超声检测、声发射检测等物理检测方法和传统图像处理方法均不能达到很好的检测效果,因此,本文研究如何采用基于深度学习的钢轨表面伤损检测方法实现钢轨表面伤损的准确、快速检测,主要工作如下:1)针对钢轨表面伤损图像样本不足容易导致训练过程中产生过拟合的问题,采用翻转变换、随机剪裁、亮度变换和生成对抗网络等数据增强方法对钢轨表面伤损图像数据集进行扩充,增加了钢轨表面伤损图像的数量;2)为了实现对具有小尺寸特征的钢轨表面伤损的准确检测,将Cascade R-CNN算法应用于钢轨表面伤损检测,并对其进行了改进。首先,采用Io U平衡采样方法改进Cascade R-CNN对候选区域的采样方式,提高了采样得到的训练样本中困难样本所占的比例;其次,采用感兴趣区域对齐（Ro IAlign）解决感兴趣区域池化（Ro I Pooling）中两次取整量化导致的候选区域与提取的特征图不匹配的问题;最后,采用完全交并比（Complete Intersection over Union,CIo U）损失解决Smooth L1损失回归不准确的问题。实验结果表明,本文采用的三种改进方法有效的提高了钢轨表面伤损的检测精度。3)为了降低检测网络的计算量,进一步提高钢轨表面伤损的检测速度,本文研究采用轻量级网络Mobile Net V3-Large和Shuffle Net V2改进Cascade R-CNN中的特征提取网络,并将自适应空间特征融合（Adaptively Spatial Feature Fusion,ASFF）方法用于改进特征图融合模块,进而构建了Mobile-R-CNN和Shuf-R-CNN两种轻量级钢轨表面伤损检测网络。实验结果表明,Mobile-R-CNN和Shuf-R-CNN均在保证一定检测精度的前提下,提高了检测速度,且Mobile-R-CNN在检测精度和检测速度上都优于Shuf-R-CNN。本文从检测精度和检测速度两个角度对钢轨表面伤损检测进行研究,实现了伤损的准确、快速检测,可以为钢轨表面伤损检测提供技术支持,并具有较高的理论和实用价值。