轨道扣件的健康状态对于列车的安全稳定运行至关重要。目前,自动巡检列车替代人工巡检已逐渐成为主要巡检方式,但其采用的方法仍未满足高速精准检测的需求,而针对轨道扣件实时性检测方法的研究则有助于提升轨道巡检列车的检测精度与速度。研究轨道设施的实时性检测方法以及轻量级轨道扣件检测系统,对于提升我国轨道状态的实时巡检效率具有重要的工程实际意义。由于轨道检测系统中有限的内存消耗和处理能力,扣件的实时性检测充满了大的挑战。当前检测网络模型存在检测精度较低、内存占用较大以及检测速度缓慢等诸多缺点,本文对YOLOv3-Tiny检测网络进行新的设计,将改进后的网络模型应用于轨道扣件实时检测,并构建一套采集于现场的高清轨道扣件数据集来对所设计的网络进行测试评估。本文针对轨道扣件检测深度卷积神经网络模型的构建问题,开展的核心工作包括:(1)提出了一种新的轨道扣件检测深度卷积神经网络架构,将其命名为MYOLOv3-Tiny;它结合了轻量级检测网络YOLOv3-Tiny以及带有倒置残差的线性瓶颈骨干结构,以此来提高轨道扣件的检测精度与效率。(2)提出了一种混合卷积策略,将深度可分离卷积与标准卷积方法相结合。该策略具有显著降低网络计算复杂度和模型尺寸的性能,这使得所提出的方法能够满足嵌入式计算机设备的扣件实时检测需求。(3)采用了将检测网络YOLOv3-Tiny与带有残差的线性瓶颈深度可分离卷积相结合的检测方法。主要优点是能够通过高效的提取扣件特征来保证检测精度,同时显著减少内存消耗,这对于嵌入式扣件检测设备尤为重要。(4)根据从中国国家铁路测试中心环形试验场收集的轨道图像数据进行综合性实验。结果表明,与当前的目标检测方法相比,本文所提出的MYOLOv3-Tiny网络模型具有更高的检测精度,更低的计算复杂度和内存消耗以及更快的检测速度。因此,它具有应用于大范围轨道检测设施的潜力。论文结合深度可分离卷积与线性瓶颈结构,提出新的轨道扣件检测网络模型MYOLOv3-Tiny,并结合高清轨道扣件现场图像数据集对网络模型进行性能评估与验证,其检测精度达到98.90%,内存消耗减少43%,且具有较高的检测速度,此结果验证了网络模型MYOLOv3-Tiny对轨道扣件的实时检测识别能力。论文所提出的MYOLOv3-Tiny网络模型对于轨道扣件实时检测系统的精度、速度优化及轻量化发展具有显著的指导意义,可应用于大范围轨道扣件检测设备,并为铁路轨道扣件的实时性检测奠定基础。