随着我国铁路的快速发展,传统的线路检测方式已不能满足现代化铁路维护的要求,急需研究新型的自动化检测方法。目前采用图像处理的自动化检测技术成为了国内外的研究热点,该类技术具有效率高、成本低、适应性强等特点,可以带来巨大的社会经济效益。本文的研究对象为钢轨表面和铁路扣件,通过采用图像处理技术来识别其当前状态,主要进行了如下方面研究：针对现有钢轨表面缺陷识别检测算法的不足,本文提出了一种新的结合先验知识的钢轨表面缺陷检测算法。该算法通过前期的分割定位,得到钢轨表面的精确区域。考虑系统图像成像模糊,光照不均等复杂情况,采用改进的鲁棒局部加权平滑方法处理钢轨表面区域,重构钢轨表面。根据统计分析,创建缺陷突变阈值表,通过重构钢轨图像与原始图像差值,得到突变图像。对比缺陷突变阈值表,可以检测出钢轨缺陷区域。经过实验论证,该算法具有很强的鲁棒性和准确性。针对本文系统采集图像,通过对比不同的扣件状态检测算法,本文采用基于梯度方向直方图特征的模式识别检测算法。为解决原始梯度方向直方图维度过大,计算效率较低等问题,本文改进了原始梯度方向直方图特征,并通过核主成分分析法进行降维。采用支持向量机对扣件图像进行状态识别,为有效提高识别精度,本文对不同扣件图像进行了分类,分别进行支持向量机训练,最终交叉验证各分类器。创建了各类扣件的训练样本库和测试样本库。在VS平台上实现了整套检测系统,大批量数据测试表明,该系统的扣件状态检测算法性能可以满足实际应用的要求。