近年来,铁路行业发展迅猛,铁路运营里程与客货运数量提升明显,而列车行车安全是铁路运输的根本保障。随着列车运行速度的不断提升,由于人为因素或自然灾害带来的铁路异物侵限问题已经变得十分突出,而仅靠列车司机观察与人工巡检的方式已经不能满足现实情况要求。因此,迫切需要在铁路重点路段设置一套具有检测精度高、速度快、性价比高的异物检测系统,能够及时准确的发现异物。在此背景下,本文开展了基于结构光的铁路异物检测方法研究,完成的主要工作如下:(1)构建了一种基于结构光的铁路异物检测系统的整体设计方案。在推导计算系统模型参数的基础上,完成了系统所需激光器、摄像机等设备的选型,搭建了可用于铁路异物检测的结构光图像采集平台;利用该图像采集平台完成了四种异物场景下的1400余幅图像的采集工作,并进行了数据的标注。(2)设计了一种基于深度学习的铁路异物检测方法。传统的基于最大类间方差阈值的方法在铁路异物检测方面难以满足要求。为此,选择深度学习中的YOLO-V3网络进行异物检测,由于该网络检测小尺寸目标的性能不突出,引入了锚框聚类(Anchor Clustering)与通道注意力机制(Channel Attention Mechanism),实验结果表明该方法可有效提高异物检测效果。(3)完成了基于YOLO-V3网络的铁路异物检测方法的专用嵌入式平台仿真与移植。在分析计算资源需求的基础上,选择海思Hi3519AV100平台实现了硬件加速单元(Neural Network Inference Engine,NNIE)上的代码开发,实验结果验证了NNIE开发的正确性,以及硬件平台可基本达到异物检测的实时性。本文通过集成结构光图像采集平台、异物检测方法研究、硬件平台的开发与实现,完成了原型系统的搭建和初步测试,有望在铁路行车安全保障、路网防护发挥作用。