铁路运行环境中存在诸多可能危及列车正常运行的异常因素,如果不能及时发现并处理,有可能造成重大安全事故,给人民群众的生命财产安全带来巨大威胁。铁路运行环境巡检是异常识别的基础,但是以人工巡检为主的巡检方法在面对范围广袤、情况复杂的铁路运行环境时存在效率低、精度不足、巡检覆盖率不足等问题,同时人工识别也有可能出现漏判现象。现有的巡检及异常识别方法并不能满足日益增长的铁路运行安全保障需求,亟需一种智能化、自动化的铁路运行环境巡检及异常识别方法。基于以上问题及需求,本文提出了一种基于无人机图像与激光融合的铁路运行环境异常识别方法,主要工作如下:（1）基于现场调研和理论分析,确定了对铁路运行安全有较大影响的两类典型异常:建筑物与垃圾堆积,并对这两类异常的主要危害及自身属性进行了详细分析。在此基础上,文章提出了结合异常对象自身属性与距铁路距离的异常判定方法。（2）搭建基于无人机的铁路运行环境巡检系统并制定巡检作业方案,该系统集成了机载可见光相机与激光雷达,具有数据精度高、采集范围广、作业过程安全高效等优点。基于搭建的无人机巡检系统,制定了铁路运行环境巡检作业方案,该方案在保证安全的前提下致力于提升巡检效率与自动化程度,取得了较好的效果。（3）机载激光雷达点云数据处理方法研究。在分析数据特点的前提下,首先使用了一系列算法对三维点云数据做预处理,包括:基于统计的离群点去除算法,基于最近距离的冗余点去除算法,布料模拟滤波地面点滤除算法;之后本文提出了一种基于随机采样、特征聚合与原型拟合的大尺度点云语义分割算法,取得了较好效果,并在一定程度上克服了数据存在的小样本问题;本文对基于欧几里得距离的点云聚类算法进行了改进,优化了距离阈值选取方法;提出了一种基于Alpha-shape算法的不规则点云体积计算方法,相较于现有算法有较大改进;在异常对象距铁路边界距离计算方面,本文将该距离转化为异常对象距铁路中线距离,以消除轨道边缘扫描不完整带来的误差。（4）图像数据实例分割方法研究。本文首先通过两种数据增强方法对采集到的铁路运行环境可见光图像数据进行增强,并使用迁移学习技术解决数据量不足导致的通用特征学习不充分问题,之后以YOLACT算法为基础进行实例分割,分割结果可作为点云处理结果的参照与补充。实验结果表明,基于迁移学习与数据增强的实例分割算法有较好的识别结果。（5）点云数据与可见光数据的决策级融合方法。本文提出了一种基于点云与图像映射的串行式数据融合方法,该方法以点云识别结果为基础提取出潜在异常,并利用图像数据识别结果对潜在异常进行细分类,获得的融合识别结果结合了不同数据的优势,识别效果更佳。