随着我国高速铁路技术迅速地发展,我国现已全面掌握高速铁路关键核心技术,与此同时针对动车组列车的相关配套检修技术也在不断的升级、完善。目前我国的动车检修已经逐步从人检人修朝着机检人修的过程发展。轨道列车一级检修作为目前我国完整的一套检修服务体系中检修周期短、检修频次多的一项检修任务。它直接影响到动车组列车在运行中的安全与效率。同时又由于车轴是列车运行过程中重要的支撑荷载零件,所以在进行智能检修过程中对检修能力和检修精度都会有较高的要求。本文针对智能巡检过程中列车一级检的车轴定位问题,展开相关研究。在车轴定位研究过程中,由于缺少相关公开的数据集,本文针对该问题建立了车轴数据集,该数据集以真实现场不同环境状态下所采集的检测图片为基础,并在此基础上进行了人工标注数据标签的工作。该车轴数据集可以用来进行相关深度学习目标检测实验,为后续实验研究提供了有力的数据支撑。针对动车组车轴定位问题本文从基于深度学习的目标检测技术与边缘检测技术两个方向入手,有针对性的根据实际检测中的相关问题,提出了不同的车轴定位方法。可概括如下:（1）基于Yolo v4目标检测的车轴定位方法。针对车轴数据集的特点,本文提出了结合深度学习目标检测网络、低照度图像增强、图像横线滤波以及图像形态学的车轴定位方法。通过LECARM图像增强技术来调整初始图像像素曝光,改善了实际检测环境下所采集原始数据整体照度较低,曝光不足的问题。通过Yolo v4目标检测网络进行车轴初始位置的预选。在实际研究过程中发现,目标检测网络在完成目标定位任务时,存在定位精度对人工数据标签标注精确度依赖较大的问题。针对该问题,在车轴定位过程中采用改变Sobel算子中水平与竖直方向算子的权重的方法完成目标区域横线提取的操作。并且结合图像形态学相关方法,在目标区域内创建水平内核分别进行车轴上下边缘线的定位。经过相关实验证明所提出的基于Yolo v4目标检测的车轴定位方法可以改善目标检测网络对人工标签依赖性较大的问题,同时在一定程度上提升了利用目标检测方法进行车轴定位的精度。（2）基于BDCN边缘检测的车轴定位方法。该方法以BDCN双向级联边缘检测网络为基础,结合改进HOG算法进行车轴定位。该方法在一定程度上减少了背景中无关像素点对车轴定位的影响,提升了车轴定位精度。在实验过程中通过对比分析实验数据,发现在极少部分图像中存在车体类轴部件。类轴部件的出现会干扰车轴定位结果,造成车轴位置误检。针对该问题,本文进一步提出了将BDCN边缘检测网络与Yolo v4目标检测网络相结合的车轴定位方法。此方法充分利用了目标检测网络可以正确筛选目标车轴的性质,避免了单一边缘检测过程中容易出现提取错误目标信息最终造成误检的问题。最终通过相关实验结果和实验数据联合证明,此方法在解决车轴误检问题的情况下,也提升了整体车轴定位的精度。