随着我国高速铁路运营里程的增加和运营速度的提高,传统的人工检测模式已不能满足现阶段铁路智能化、现代化的发展要求。将机器视觉技术应用于高速铁路轨道状态检测,不仅可以将巡道工从费时和危险的现场巡道模式中解放出来,还可以缩短检测周期、提高检测频次,进一步保证列车的行车安全。然而,轨道环境复杂多变、异常样本占比小等不利因素的存在,常造成算法的适应性差、准确性低,进而严重制约其工程应用。因此,研究高效、鲁棒的基于视觉的高速铁路轨道状态检测算法具有重要的经济价值和战略意义。为了有效处理复杂背景、变化光照和不平衡数据对高速铁路轨道状态检测算法性能的影响,本文着手于研究更为高效、鲁棒的高速铁路轨道状态检测算法。为此,本文围绕高速无砟轨道的故障扣件检测算法及轨道板异物检测算法两个方面展开了研究。论文的主要内容如下:第一,针对高速铁路道岔线路图像数量多、背景复杂以及无法实现软件自动检测的问题,提出一种结合卷积神经网络和局部二元模式算子的道岔线路图像快速识别算法。该算法的关键特性融合了卷积神经网络和局部二元模式各自的优点,即利用卷积神经网络强大的特征表示能力得到原始图像的稳定区分区域,利用局部二元模式快速的特征提取能力提高区分区域的特征提取效率。首先,使用区分区域代替原始图像进行特征提取;然后,将提取的局部二元模式特征送入支持向量机完成对道岔线路图像的识别。实验结果表明,相比于卷积神经网络方法,所提算法在保持识别准确性的情况下将识别速度提升了一个数量级。第二,针对高速无砟轨道各个部件的位置关系和扣件特定的光照特性,提出了一种鲁棒的无砟轨道部件定位分割算法。首先,根据轨枕端线的光照特性,提出了一种鲁棒的轨枕端线定位算法,进而实现扣件的粗略定位;然后,使用提出的线性局部二元模式算子对扣件图像编码,再结合模板匹配算法实现扣件的精确定位;最后,以扣件的精确位置为基准,结合各部件之间的先验位置关系实现其他轨道部件的定位。实验结果表明,所提算法对不同背景的轨道图像具有很强的适应性,可以精确的分割出轨道各个部件。第三,针对现有故障扣件识别算法准确性低、稳定性差的问题,提出了一种基于局部区域特征的故障扣件识别算法。首先,利用扣件的精确位置信息实施异位扣件的识别;然后,根据扣件子图的局部区域内灰度值的相对大小和绝对大小确定扣件弹条的极小值区域,并提取其局部区域特征;最后,将提取的扣件局部区域特征送入改进的决策树模型以实现变形扣件和丢失扣件的识别。实验结果表明,所提算法对不同环境下的故障扣件的识别取得了较好的表现,可满足工程应用的需求。第四,针对轨道板异物种类繁多、异物样本数量少的特点,提出了一种基于迁移模型的轨道板异物识别算法。首先,收集大量道岔线路图像和轨道板图像并将其作为源图像以构造辅助训练集;然后,使用基于结构学习的边缘检测算子提取轨道板的边缘,并根据轨道板的边缘密度确定异物的候选区域;最后,将通过辅助训练集训练好的VGG16模型用于对异物候选区域的识别。在真实和合成图像上的实验证明了所提算法的有效性和工程适用性。