铁路建设是我国交通领域的重要范畴,随着铁路线路的大量开行及铁路运营里程的逐步增加,对铁路运行安全状态的监控显得越来越重要。目前,我国已经进行了铁路安全图像智能分析设备的铺设,这些系统主要采用人工图像判别方式,该判别方式任务量重、难以满足实时检测要求且容易产生漏报、误报现象。因此,开发基于人工智能的铁路图像监测及检测系统的需求也越来越迫切。本文基于国铁集团组织建设的动车组运行故障动态图像检测系统（Trouble of Moving EMU Detection System,TEDS）,拟利用一种新型的数据驱动与知识共生算法来设计一套TEDS图像智能辅助识别系统,对动车组CR400AF和CR400BF车型的轴端螺栓和闸片等零部件图像进行实时检测与分析。本文的主要创新工作及成果如下:（1）提出了基于高斯概率场的ORB（Oriented FAST and Rotated BRIEF）特征提取定位模型。利用ORB和k均值聚类构建特征字典,基于字符概率场定位目标,解决了传统算法过度依靠人工语义特征导致系统鲁棒性较差的问题。在动车组部件数据集上开展的实验表明,该算法对轴端螺栓和闸片的定位识别率分别高达99.6%及88.2%,提高了传统算法目标定位的精度,且识别速率较快。（2）提出了Attention-YOLO（You Only Look Once with Attention Mechanism）的深度学习概率定位方法,解决了对图像显著区域的关注度分配问题。加入通道注意力和空间注意力机制,对YOLOv3（You Only Look Once Version 3）的网络结构进行改进,提高了网络的定位性能。在标注数据集上进行的定位实验分析表明,该改进模型对轴端螺栓和闸片的平均检测精度分别高达98.7%及91.7%,比YOLOv3算法的定位精度分别提高2.9%及4.5%。（3）提出了数据驱动与知识共生融合的目标检测算法。通过概率思想对设计的两种定位模型进行加权融合,以获得更精准的目标定位;设计了深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）用于目标缺陷检测。在缺陷数据集上进行的实验分析表明,该算法模型对轴端螺栓和闸片的缺陷识别率分别为96.4%及72.3%,比YOLOv3算法的缺陷识别率分别提高3.2%及3.6%。（4）设计了TEDS图像智能辅助识别系统,用于工程实现。该系统基于Ubuntu操作系统、Py Torch框架和Anaconda3软件,并通过GPU提高对图像的处理能力。利用界面平台对系统进行测试,验证了系统对动车组部件的安全状态监测及检测功能的有效性。