随着铁路技术的飞速发展,列车安全问题也备受瞩目,但是列车故障检测涉及的数据量庞大,处理过程复杂。异构并行系统的强大计算资源与深度学习的发展也为大数据处理带来了新的方向。如何结合大数据异构并行处理与深度学习技术解决列车故障检测问题,并保证其稳定性、可靠性和高效性,面临着巨大的挑战。本文从面向列车故障检测的大数据处理应用着手,从平台体系结构、与深度学习系统的通信技术、编程框架等方面设计并实现面向列车故障检测的大数据并行处理平台。针对将GPU集成到Spark困难的问题,提出Spark与GPU、Tensor Flow通信适配技术;针对编程实现列车故障检测的大数据应用的复杂性,提出编程框架;针对列车故障检测对检测速度与实时性的要求,提出平台流处理与存储优化方案;针对YoloV3对小物体识别不敏感问题,提出改进的YoloV3算法。为提高列车故障检测大数据处理应用下异构并行计算效率与准确性奠定一定的技术基础。主要工作如下:（1）从易用性、稳定性与易拓展性的角度出发,以异构众核并行计算系统为硬件平台层,设计了面向列车故障检测的大数据异构并行处理平台体系结构。（2）针对Spark集成GPU、Tensor Flow困难的问题,本文首先编写了HInv.so动态链接库,其通过函数调用等方式与GPU、Tensor Flow进行通信,并暴露接口供HPack.jar调用,然后Spark通过HPack.jar采用JNI的方式调用HInv.so,从而实现与GPU、Tensor Flow的通信。实验发现在三个计算节点的集群环境下,将YoloV3部署于本文提出的平台中对coco数据集进行检测的效率比部署于Tensor Flow集群模式每秒检测帧数高20帧。（3）针对列车故障检测对检测速度与实时性的要求,设置Kafka缓冲区并采用Structured Streaming优化流处理引擎使平台支持流处理计算。通过改进行键设计与查询算法对分布式存储进行优化。对比优化前与优化后对各个时间段列车故障数据的查询时间,优化后的查询速度可以达到优化前的三倍。（4）针对YoloV3目标检测算法在小物体识别上识别精度不足的问题,本文从以下两个方面对YoloV3骨干网络进行改进以提高对小目标的识别精度:第一,对每个残差块中的卷积层采用更密集的连接方式,将每一层与其他所有层密集连接,以获得更丰富的语义信息;第二,将原有的三个尺度检测扩展为四个尺度检测,从而获得更大的特征图。本文将改进后的YoloV3与YoloV3以及Faster-RCNN等多种算法进行了对比。相对于YoloV3,改进后的YoloV3检测速度每秒检测帧数降低了2帧,但是平均精度均值从75.6%提升到87.1%。