随着我国轨道交通行业的不断发展,随之而来的便是运输任务的日趋繁重,以及列车运行密度、行车速度的不断提高。在此情况下,钢轨磨耗日趋严重,因此需要及时对钢轨磨耗情况做出准确、高效的检测。传统的接触式磨耗检测方法需要大量人工操作,存在检测效率低、检测精度低等问题,而基于CCD和结构光技术的钢轨轮廓检测系统采用了光学非接触式测量方式,具有较高的检测精度,通过与轨道检查列车相结合,能够极大提高检测效率并且实现检测数据的综合智能管理,是钢轨磨耗检测的发展趋势。本文在基于二维激光位移传感器的钢轨轮廓检测系统基础上,主要分析研究了两大问题:钢轨轮廓识别和钢轨磨耗检测。其中,钢轨轮廓分类识别的意义主要在于能够识别线路特征,从而为轨检数据提供定位信息;钢轨磨耗检测的意义在于实现钢轨垂直磨耗和侧面磨耗的自动化计算。钢轨轮廓分类识别的研究中,本文首先分析了线路实测数据中各轨形轮廓的特征,并提出了钢轨轮廓的特征提取算法;其次,基于钢轨的轮廓特征数据,本文进一步提出了基于支持向量域描述(SVDD)的模式识别方法;最后,通过特征数据的实验验证,分析了该算法的特性以及各参数的影响,并通过优化算法模型使得基于支持向量域描述的分类器模型性能较优。钢轨磨耗检测算法的研究中,本文首先分析了钢轨的结构以及磨耗的定义,研究了基于轨腰几何特征的非线性最小二乘轮廓匹配方法;在此基础之上,由于实测数据中存在轨腰受干扰的异常数据,因此本文提出了采用距离和目标函数代替最小二乘的方法,并通过Nelder-Mead单纯形优化算法求解最优参数,完成实测轮廓与标准轮廓的匹配;最后,通过仿真,对比分析了该方法相对于最小二乘法具有更优的匹配精度。本文最后,选取了部分线路的实测数据,对上述算法进行测试,并分析验证了本文所提出算法的有效性。