国内高速铁路发展速度十分迅猛,同时安全问题也得到越来越多的关注。尖轨和基本轨之间的密贴度是高速铁路中很多故障的直接表象,目前使用的密贴度监测设备是基于机械结构,这种设备随着服役年限的增长,可靠性会越来越低。因此本文针对这个问题,提出采用机器视觉技术来进行解决。并且针对复杂气象条件下图像特征不易提取的问题,提出采用深度学习算法来进行解决。文中通过高速铁路道岔现有监测技术进行分析,可以确定采用机器视觉来对尖轨和基本轨之间的密贴度进行监测是可行的。同时通过对深度学习应用进行分析,可以确定采用深度学习算法提取模糊图像的特征是可行的。另外文中还通过对道岔系统故障的分析,确定了研究尖轨和基本轨密贴度识别装置的必要性。文中对图像处理的关键技术进行了分析,其中在图像预处理阶段采用的是灰度变换、灰度直方图均衡化等传统图像处理技术,并且从数据仿真结果来看使用这些技术达到了前期图像处理的目的;针对复杂气象条件下图像特征不易提取的问题,文中采用卷积神经网络深度学习模型进行解决;并且针对特征提取不准的问题,文中利用显著相似性约束条件对最大池化算法进行了优化,从数据仿真结果来看经过优化的深度学习模型的图像特征提取准确率达到了预期目标。文中通过对传统计算机硬件方案和嵌入式硬件方案的对比,最终确定选用嵌入式硬件方案对识别装置进行实现。本文对识别装置的核心处理器、摄像头、电源、通信电路、扩展内存进行元器件选型和电路设计,同时采用分层思想对软件程序进行了设计,重点是设计了图像预处理、图像特征提取、密贴度计算等应用任务的程序流程图。最后本文从计算精度、通信性能、稳定性三方面对识别装置进行了测试,从测试结果来看文中研究的高铁道岔识别装置符合预期效果。