目前我国针对接触轨的服役状态以及缺陷检测方式仍旧以人工为主,检测员需手持专业接触轨测量尺(三轨尺)、反光目视器材及辅助照明灯具等设备沿着钢轨沿线步行,边走边对接触轨进行相关测量作业。由于检测距离普遍较长,加之检测工具不具有自动检测功能,导致检测工作会耗费大量人力和时间,作业效率较低。随着检测效率需求的增长,自动检测成为当前发展趋势。本文设计一种能够快速检测接触轨面常见缺陷的算法,与能够实现对缺陷目标精准分类的神经网络分类器,通过计算机视觉技术实现对接触轨的维护检修,可以大大增加工人检测效率。本文以接触轨表面常见缺陷为研究对象,对缺陷的识别和分类展开研究工作,主要研究内容体现为以下几个方面:(1)概述了我国轨道行业发展历程以及对接触轨的基本知识,并由国内检测现状引出研究目标;介绍了国内外基于图像处理的缺陷检测算法研究现状。(2)为减少由于摄像机固有视场的限制及自然因素影响而导致的图像无关区域以及噪声带来的干扰,在展开算法研究前需要对原图像进行一系列预处理工作。具体表现为竖直投影法提取轨道表面区域;同态滤波减弱噪声、增强图像效果。(3)为了提高接触轨表面缺陷检测效率,提出一种基于频域信息与梯度特征的轨面缺陷检测算法。四元数傅里叶变换算法可以通过图像颜色、亮度、与运动特征来计算图像显著性,分析获得图像的频谱和相位;在空域中计算构建相应的缺陷目标显著图,得到缺陷区域;并通过以图像梯度算法与四元数傅里叶变换结合的方式进行显著图像效果增强,最终完成检测,并对融合算法进行了实验验证。(4)针对提取出的缺陷目标,采用径向基函数神经网络分类器的方式对缺陷目标进行分类,达到批量、快速、自动识别缺陷的目的。介绍了常用的图像特征信息并针对不同类型缺陷进行了特征值计算;采用Relief-F算法对特征值的权值进行计算对比,根据特征值对缺陷分类的影响权重进行筛选。选取了在不同缺陷之间参数差异较大,在同类缺陷中又有一定普遍性的特征值组成特征向量。(5)搭建RBF神经网络模型并设置相应参数,设定了训练误差目标。输入大量训练样本进行学习训练。经177次迭代后收敛精度达到要求,得到最终分类器模型。并采用随机抽样的方式进行了20次测试集分类测试,输入待测缺陷的特征向量即可直接得到缺陷分类结果。测试结果表明:RBF神经网络分类器能以较高的准确度对缺陷类型进行归类,其综合分类准确率达到93%。并基于实际检测需要,根据本文研究成果开发了一款windows系统下的接触轨缺陷识别分类软件,用于实际线路检测作业。