随着我国铁路系统的快速发展,铁路运营里程和铁路网覆盖面积都大幅度增加。列车行驶途中行人、车辆等非轨道固有物体进入铁路轨道范围内,会引发严重的交通事故。传统的检测方式存在大量缺陷,远远不能满足当今铁路系统的要求。基于接触式检测方法具有安装工作量大,成本高昂,可检测类有限等缺点;基于传统图像的检测方式采用手工设计进行特征提取,无法适应待检测目标形态、背景等多样性。因此铁路系统迫切需要一套可以对障碍物图像进行高准确率、智能识别的自动检测系统。基于此本文提出了一种基于深度学习的铁路轨道障碍物检测方法。该方法采用车载单目视觉方式来实现列车运行前方轨道内障碍物检测和识别,基于以VGG16为特征提取网络的Faster RCNN模型,并结合铁路轨道障碍物检测实际需求进行了适应性改进。针对铁路轨道障碍物目标尺寸差异较大,原始Faster R-CNN模型通常会对所有训练图片采用恒定尺寸,此时尺寸不同的目标检测效果较差导致目标检测系统鲁棒性较差的问题。引入多尺度训练,保持障碍物图像原有尺寸不变的前提下,对图片大小随机调整,将调整后的多尺度图像送入网络进行训练以提升系统的鲁棒性。结合铁路障碍物实际检测图像数据,针对路轨道障碍物在采集视频图像中远距离小障碍物识别率低的问题,进行区域建议网络优化,将原始的Faster R-CNN模型中使用的3种尺寸比和3种规格的锚点参数所生成的9种锚候选框改进为5种尺度比和4中规格所产生的20种锚候选框以提升小目标检测精度。针对多障碍物等不确定因素导致检测图像中存在障碍物目标模糊和遮挡现象,若直接对目标进行检测,将会导致识别率大幅度降。利用生成对抗网络生成遮挡来训练检测网络的思想,将ASDN网络引入Faster R-CNN模型中解决困难样本遮挡检测问题。分别对使用ASDN网络的模型和未使用的模型进行训练测试和结果分析,发现使用ASDN网络的模型对遮挡情况检测效果更好。最后为了验证检测系统的性能,设计实验平台对改进后的整体网络性能进行评估,实验结果满足预期要求。