随着铁路运输任务的加重,铁轨的负压逐渐加大,铁轨的老化和损坏是不可避免的,尤其是使用年份较久的铁轨表面更易产生裂纹。为了保障铁路运行的安全,对铁轨裂纹缺陷及时地进行检测和处理具有重大的意义。传统检测方法不管是从资源消耗上还是从时间上都逐渐不能满足铁轨检测的需求,本文提出了一种基于深度学习的铁轨裂纹缺陷检测模型,选用树莓派3A+做嵌入式平台移植,并开发应用至铁轨检测软件系统中,主要做出了以下研究内容:（1）对铁轨检测问题在国内外的研究现状进行调查分析,概述卷积神经网络的相关研究内容。展开至目标检测领域,对比分析单阶段与双阶段两种类型的深度学习检测算法,具体分析R-CNN（Region-based CNN,R-CNN）系列网络与YOLO（You Only Look Once,YOLO）系列网络。分析比较YOLO第四代网络YOLOv4与各检测算法相比的优势,为之后铁轨裂纹缺陷检测模型建立奠定理论基础。（2）对铁轨数据集进行处理。选用不同的裂纹数据并进行筛选标注,然后根据YOLOv4网络的训练需求对数据集数据进行处理。为提高网络模型的训练效果,减少误判率,对数据集进行数据增强,扩增数据集,添加对抗样本。以此数据集作为基础,对YOLOv4模型进行训练,根据检测类别的特性调整优化网络,使用聚类算法进行聚类,进行锚框计算,得出最优的网络模型,检测精度可达88.6%,使用实验平台平均检测一张图片只需182毫秒。然后选用树莓派平台,对网络模型进行移植,构建出小型检测设备。针对平台特性对模型进行优化、加速,以实现模型的最优。优化后的模型在树莓派3A+平台检测平均一张图片只需2.1秒。（3）基于铁轨裂纹检测模型建立及树莓派移植,依托“轨道电路模拟平台”项目,选用QT Creator进行软件平台开发,采用C++与Python混合编程实现。通过设计基于深度学习的铁轨裂纹检测系统的四大模块,实现数据集处理功能、网络模型预览功能、网络模型检测功能、网络模型训练功能,最终完成基于深度学习的铁轨裂纹检测系统的开发,并进行逐一测试,证明该系统能够实现铁轨裂纹的智能检测,提高了铁轨裂纹检测的效率。图61幅,表17个,参考文献42篇。