转辙机内部缺口大小反映了道岔尖轨转换到位情况和轨道的密贴程度,因此进行缺口监测对于列车的安全稳定运行具有重要意义。缺口监测主要采用视频监控与缺口检测相结合的方式。基于嵌入式的视频监控具有运行稳定和成本低等优点,因而被广泛应用于转辙机缺口监测领域。目前,缺口检测多采用传统图像处理算法,但其检测精度易受震动等复杂环境因素影响,并需要根据转辙机类型和摄像头安装位置设置不同的图像处理参数,导致其鲁棒性和适用性较差。深度学习算法可以从大量数据中进行学习从而实现端到端的检测,模型的适应力强,将其应用到缺口检测中可以弥补传统图像处理方法的不足。但是,深度学习算法对硬件计算力要求较高,因此对基于深度学习的转辙机缺口检测模型进行轻量化处理,对于提高检测精度、速度以及模型适用性都具有重要的工程应用意义。本文对于转辙机缺口监测系统的研究主要分两部分,第一部分研究在嵌入式开发板上实现对转辙机缺口的实时监控,第二部分研究基于轻量化目标检测算法的缺口检测模型。本文的主要完成工作如下:（1）首先在基于i.MX6q处理器的嵌入式开发板上构建了缺口实时监控系统,根据系统要求和硬件条件,设计实现了缺口监测区域的视频采集、视频编码和网络传输功能,最终可通过上位机对转辙机缺口进行实时监控。（2）提出了基于深度学习的缺口检测模型,构建了转辙机缺口图像数据集,在缺口图像数据集上对多种目标检测模型进行了训练和测试。通过对缺口检测精度和模型计算复杂度等指标的评估和对比,最终选择了YOLOv4-tiny作为缺口检测模型的基本网络结构。（3）提出了一种适用于缺口检测网络模型的轻量化处理策略,通过稀疏训练、通道剪枝和微调等方法,降低了缺口检测模型的计算复杂度。将知识蒸馏应用到缺口检测模型的微调过程中,并根据模型的网络结构对知识蒸馏中的损失函数进行优化改进,提高了轻量化缺口检测模型的检测精度。论文对最终的轻量化缺口检测模型进行了测试评估,其缺口检测的平均精度达到了98.4%,并且模型的内存占用量和计算复杂度分别降低了65.6%和33.6%,检测速度提高了38.3%。测试结果证明基于轻量化目标检测模型的缺口监测系统符合铁路现场的监测要求,论文提出的轻量化处理策略推动了目标检测算法在缺口检测中的实际应用。