随着我国铁路运营里程尤其是高速铁路运营里程的逐年增长,保障高铁安全运营的铁路巡检工作日益繁重。考虑轨道巡检工人的人身安全并减轻他们的工作强度,我国研发出具有轨道巡检功能的高速综合检测列车（High Speed Comprehensive Inspection Train,HSCIT）。HSCIT配备了大量的相机传感设备采集轨道的图像信息,目的是利用采集到的图像实现轨道故障的自动检测。由于HSCIT在运行过程中产生的振动、晃动和图像采集设备本身的局限性等原因,轨道图像在采集过程中不可避免地会受到噪声的污染,进而影响到后续故障的检测。本文以钢轨扣件图像为例,以噪声对其故障检测的影响为研究主线,针对HSCIT采集到的轨道图像中的噪声模式未知、噪声和图像特征区分困难、故障样本数量远远少于正常样本数量等几个问题展开研究,具体内容如下:（1）建立HSCIT采集到的轨道图像中的噪声模型并研究噪声水平估计算法。论文根据钢轨扣件图像之间的相似性,选择出大量足够相似的扣件图像,以这些图像的同一位置的像素值的直方图的概率分布近似噪声的概率分布,假设并验证HSCIT采集到的图像中的噪声模型为随区域变化的高斯噪声。为不低估图像中的噪声水平,论文以图像中的低秩的区域的协方差矩阵的特征值为初始数据集,通过不断比较该数据集中的特征值的中值和均值的大小关系,不断剔除过大的特征值,选择出合适个数的特征值用于噪声水平的估计。实验表明,该噪声水平估计算法估计出的值要高于所有对比算法,且应用在已有的图像去噪算法上时,噪声水平的估计值越大,彩色图像的去噪效果越好。（2）针对建立的随区域变化的噪声模型和HSCIT采集到的灰度图像类型,研究区域自适应加权核范数最小化（Region-Adaptive Weighted Nuclear Norm Minimization,RA-WNNM）灰度图像去噪模型。RA-WNNM以已有的去除全局统一的高斯噪声的模型为基础,将噪声随区域变化的特点以权重矩阵的形式嵌入到目标函数中,通过最大后验概率推导得出该权重矩阵的取值。RA-WNNM没有解析解,先将它从一个无约束的优化问题转化为等式约束优化问题,之后用交替方向乘子法将等式约束优化问题转化为几个具有解析解的子问题迭代求解。考虑到现实中的彩色图像不同信道之间的噪声差异,论文还将RA-WNNM扩展到彩色图像去噪上。实验表明RA-WNNM在钢轨扣件图像去噪上有一定的优越性。（3）对于钢轨扣件的故障图像远远少于正常图像的问题,分两个不同的方向进行研究:一个方向是低秩表示和共享字典学习（Low-rank Representation and Shared Dictionary Learning,LRRSDL）的图像分类模型,另一个方向是基于迁移学习的小样本图像分类网络。LRRSDL考虑同一类的图像样本尤其是钢轨扣件图像之间具有相似性,将同类样本之间编码系数的相似性以核范数的形式作为正则化项加入到了优化的目标函数中。实验表明,LRRSDL在钢轨扣件数据集上展现出良好的分类性能,同时论文还通过实验证明噪声对图像分类有着负面影响。第二个方向用图神经网络和卷积神经网络提取出大型图像分类数据集中的语义知识和图像特征,继承学习到的部分网络参数,通过小样本的数据集微调网络参数。对于钢轨扣件数据集,该网络的分类效果略逊于LRRSDL。