近几十年来,我国高速铁路迅速发展,形成巨大的铁路通行网。高速铁路推动着我国经济的高速发展,并且成为人们主要的出行方式。自铁路历经数次提速后,铁路运行的安全性得到广泛关注。保障列车安全运行是我国铁路运输当下最重视的问题。超声、涡流等传统检测方法速度慢、占用铁路线路且检测效率低下,已经跟不上铁路发展的步伐。必须研究一种实时、高效的钢轨裂纹检测方法。声发射技术作为近几年提出来的钢轨裂纹无损检测新手段,弥补了超声、涡流等检测方法的不足。但现有钢轨裂纹声发射信号检测算法基于人工提取特征,特征选取经验化,准确率低。论文针对卷积网络和长短时记忆网络的钢轨裂纹检测方法进行了研究,开展了以下工作:首先对采集到的钢轨裂纹声发射信号进行预处理后构建样本集。基于时域、频域、时频域方法分析钢轨裂纹信号与噪声的区别,并提取特征进行分类。其次为了挖掘钢轨裂纹信号中潜藏的信息,尝试构建不同的卷积网络模型进行裂纹信号检测,分别基于一维卷积、二维卷积构建钢轨裂纹检测模型。实验表明,一维卷积网络模型的检测效果要优于二维卷积网络模型,并在此基础上对一维卷积网络模型相关网络参数进行优化。接着考虑钢轨裂纹信号的时序信息,构建基于双向长短时记忆网络的钢轨裂纹检测模型。对比循环神经网络和长短时记忆网络模型在钢轨裂纹检测的性能。最后对双向长短时记忆网络的钢轨裂纹检测模型进行优化。采用一维卷积提取特征向量,作为双向长短时记忆网络的输入数据进行钢轨裂纹检测。同时针对裂纹获取困难与没有标签的问题,对现有模型改进,引入自编码结构和K-Means聚类算法,从噪声出发,利用编码器结构提取噪声的潜层特征,进行K-Means算法聚类,通过设定阈值判断信号是否为裂纹信号,实现对钢轨裂纹的检测。