铁路扣件是将轨枕与铁路进行连接的重要部件,在保证列车运营安全方面有着极为重要的作用。随着我国铁路里程的日益增长,人工维护扣件这一工作情况急需改善,对此,研发一种能够代替铁路工人进行扣件维护的铁路装备显得尤为重要,而研发此类装备的关键之一便是对扣件的识别,其中包括扣件螺母定位以及扣件状态分类。目前,基于深度学习的图像识别技术发展迅速,相比于传统图像识别方式具有诸多优势,在未来也更具有应用前景,而在如何将扣件螺母进行定位以及如何对扣件完整性进行检测判断这个问题上,深度学习技术具有极大的优势,因此研究基于深度学习的扣件的检测技术对研制全自动扣件维护装备具有极其重要意义和价值。本文以深度学习技术为基础,首先介绍了卷积神经网络的基础知识,对目前常用的激活函数进行了详细的比较分析,阐明了局部连接和权值共享这两个卷积神经网络最必不可少的特性,之后通过三种经典网络结构说明了近几年神经网络模型的发展趋势。针对未见公开扣件数据集的问题,通过采集、数据增强、标注的方法建立了扣件数据集RF8000,然后分别基于Faster-RCNN、YOLOv3、MobileNetv1-SSD三种算法,构建了三种扣件检测模型,以RF8000为数据样本,完成了扣件检测模型的训练及其精确度、速度和内存占用的分析。针对硬件平台使用场景计算力不足的问题,构建了一种轻量级扣件检测算法Mobilnetv3-TL,为了提高对螺母的定位准确性,该网络引入特征金字塔结构融合多尺度特征图,通过采用Inception结构,替换3×3卷积核,达到了降低计算量的目的。通过实验对比得出Mobilnetv3-TL扣件检测模型速度最快,而精度与Faster-RCNN相当。最后分析轨道螺栓作业机可用的硬件环境,对比了工业控制计算机和Jetson TX2开发板的优缺点,考虑到计算力的要求,选定Jetson TX2为轨道螺栓作业机的视觉硬件平台。完成Jetson TX2环境搭建后,在开发板中对四种扣件检测算法进行速度测试,实验结果表明Mobilnetv3-TL识别速度最高,达到13.2FPS/s,满足轨道螺栓作业机扣件检测任务的要求。