由于铁路节能,方便,目前已成为人们出行重要的交通方式之一。此外,与其他运输行业相比,铁路运输的安全性极高。目前,随着我国铁路事业的兴盛,运营里程、速度、密度的增加,对钢轨的检测要求进一步提高。同时,随着科技的进步与计算机网络的兴起,大数据,机器学习等新兴技术得到不断发展,深度学习应运而生,逐渐突破了传统方法的瓶颈,但将深度学习与铁路钢轨结合实现钢轨缺陷精准检测仍属于艰难的一步。因此论文以铁路钢轨为目标,进行了钢轨黑斑缺陷的检测系统搭建与深度学习方法的识别研究,提出了一种多模型融合的方法,实现了缺陷检测快速,精准检测,并通过实验对比分析证明了所提方法能够有效提高铁路运输以及乘客的安全性。首先,论文简述了钢轨缺陷检测的研究背景和意义,分析了目前钢轨表面缺陷检测的研究难点,针对钢轨表面缺陷检测的研究现状,介绍了目前国内外所采用的传统物理检测方法和机器视觉方法,最后对文章所要研究的内容进行概括。其次,对目前国内外的钢轨缺陷检测系统所遇到的问题进行分析,提出了钢轨表面缺陷检测系统,并对该系统组成以及功能进行详细描述。然后,重点介绍了论文中的两种钢轨表面缺陷检测算法:SSD算法,YOLOv3算法。在对原始算法原理,网络进行介绍后,从钢轨表面缺陷检测问题出发即为了实现对微型,中型以及大型钢轨黑斑缺陷检测,对两种算法进行改进,并与原始算法进行检测精度,运行速度等性能方面的对比,从而证明所提算法的优越性。最后,以所提出的钢轨表面缺陷检测系统为载体,以2种改进的钢轨黑斑缺陷检测算法为核心,对基于卷积神经网络的多模型融合钢轨表面缺陷检测方法在5种不同的场景下进行实验,并与多种主流算法进行对比,证明所提方法的鲁棒性。论文改进了 SSD和YOLOv3检测算法,通过使用多模型融合的方法将两种算法以并联的方式对钢轨缺陷进行检测,在不失检测速度的情况下提高了钢轨缺陷识别精度,一定程度上更好的保障铁路的正常运作。