我国铁路的快速发展和广泛的覆盖范围为铁路运输效率及安全带来挑战。而影响铁路运输安全及效率的主要因素之一是在铁路限界内常发生的行人和轻飘物等异物入侵事件。我国主要以护栏网的形式物理阻拦侵限异物以此得到防护效果,但仍常有异物侵入铁路限界内,导致列车紧急制动,扰乱列车线路运行计划。同时铁路线路多处于半封闭式环境中,铁路上空区域成为防护盲区。铁路沿线附近的风筝,塑料袋等异物常飘入铁路限界内或飘落在接触网的关键部位处使弓网供电装置受损造成列车停车,相关线路晚点。这些事件都对铁路运输安全及效率造成了潜在影响。因此,研究一种准确且鲁棒性高的铁路异物侵限检测及跟踪方法,通过智能视频分析技术保证铁路运输安全及效率是铁路运输领域的热点问题。为此本文研究了一种基于深度特征的相关滤波铁路异物侵限检测及跟踪方法。本文在异物侵限检测跟踪阶段的主要研究工作如下:1)使用优化后的像素级视觉背景提取器对侵限异物进行检测。其中为提升铁路限界内复杂场景的能见度,在检测环节中融合视频序列的去雾过程。并在视觉背景提取器中新建立一个背景局部三值模式纹理特征模型。当背景颜色及局部三值模式纹理特征模型的预分割结果都是前景时,则把该点判别为前景点。可消除噪声敏感,减弱光照变化对异物侵限前景分割的影响。2)针对大雾天气中铁路异物侵限跟踪易受采集的视频序列图像质量及侵限异物成像尺度变化的影响使算法学习到错误目标信息的问题,提出尺度自适应的异物侵限去雾跟踪算法。该算法融合去雾,得出适用于铁路综合视频监控系统中特殊应用场景的最佳保真调节因子,优化透射率。并新增尺度估计环节,使用尺度金字塔丰富尺度样本以完成侵限异物尺度预测。在大雾天气中实现对有尺度变化的侵限异物的准确有效跟踪。3)之后针对侵限异物易受背景干扰、旋转形变或局部遮挡的影响导致跟踪失败的问题,提出基于深度特征分权融合的鲁棒性相关滤波异物侵限跟踪算法。该算法根据传统与深度特征优势互补的特性将多层卷积特征分权与传统特征有效融合,并压缩特征维度优化样本集,引入模型自适应低频更新的策略。有效解决跟踪算法在铁路限界内侵限异物受其他干扰时抗干扰能力弱的问题。最终采用多组在某铁路试验线路的铁路综合视频监控系统中采集的视频序列对所提算法进行测试。实验结果表明跟踪中融入去雾的有效性,并显示所提DFAL算法在铁路限界内复杂环境下的跟踪准确度及鲁棒性值分别达到0.603和0.828。在保证跟踪算法准确率的同时,进一步提升跟踪算法的鲁棒性。