在高速铁路的运营过程中,掉落在无砟轨道的异物（如:断裂弹条、石块、动物尸体、散落零件）极易被“列车风”卷起击打动车组,是严重危及高速铁路行车安全的重大隐患。目前对无砟轨道异物的检查主要依靠人工巡道的方式,准确性与检测效率都难以得到保障,因此迫切需要研究精准、高效的智能检测方法及时发现轨道异物以保障高铁运行安全。近年来综合巡检车已在全路范围广泛应用,显著提高了线路巡检作业效率。本研究以综合巡检车动态采集的无砟轨道巡检图像为基础,围绕高速铁路无砟轨道异物准确高效检测这一问题,研究基于视觉的异物智能识别算法,主要研究工作如下:（1）针对当前高速铁路运营维护中无砟轨道异物检测的相关背景,阐述了开展高速铁路无砟轨道异物视觉智能算法研究的必要性,并对研究中存在的技术难点深入分析,调研了轨道巡检领域、深度学习、计算机视觉领域以及异物入侵识别领域的技术现状,明确了基于有监督深度学习开展无砟轨道异物视觉智能算法研究的技术路线。（2）基于图像分类模型实现了轨道场景识别算法。针对巡检图像在不同铁路轨道场景下的背景差异给无砟轨道异物识别效果产生影响的问题,使用图像分类网络区分轨道场景,并采用标签平滑的改进分类模型的泛化性能。实验结果表明本研究采用的图像分类算法可实现对于无砟正线、无砟道岔和有砟线路场景的有效判别。（3）提出了基于区域定位的无砟轨道异物识别算法。无砟轨道异物目标出现模式随机、线路背景复杂,为实现对于无砟轨道异物在巡检图像的精确定位和准确识别,提出了基于YOLO v4的无砟轨道异物目标检测模型。由于异物目标尺寸、模式差异巨大,本文中改进目标检测模型的特征融合模块,提升模型对于多尺度特征表示的感知能力,同时改进损失函数以提升异物目标的定位精度。训练时采用了迁移学习的策略强化模型对多类别异物特征的学习,实验结果证明了目标检测方法在无砟轨道异物识别问题的有效性。（4）为进一步实现无砟轨道异物的像素级识别,提出基于语义分割的无砟轨道异物识别算法。设计实现了RFODLab语义分割模型,利用该模型对轨道图像的分割结果精确获取异物的像素级信息。为使模型进一步有效关联巡检图像上下文语义信息,在模型的主干网络中引入了通道注意力机制,实现了模型对于待识别区域的加权约束。同时,由于无砟轨道异物识别问题中存在样本类别分布不平衡的问题,采用Dice loss+Focal loss的损失函数设计对分割模型加以改进,以均衡各类别的分配占比。实验结果表明,该异物识别方法可在像素级别上实现对于断裂弹条、动物尸体、掉落碎块等多种类型无砟轨道异物的识别,识别效果更具细粒度。（5）针对不同线路环境设施各异引起的异物虚警误报,提出了基于度量学习的异物虚警抑制算法,算法将人工选取线路特定设施作为基准图像同识别为疑似异物的待测图像进行相似性度量,首先利用特征提取网络实现对于基准图像和待测图像的特征提取,之后通过度量学习网络基于提取得到的特征图计算图像间的相似度用于异物误报的判别。实验结果表明基于度量学习的虚警抑制方法可实现对于误报异物的有效判别,从而可在后续操作对异物误报加以消除。（6）基于轨道巡检图像智能分析软件,将轨道场景识别算法、基于区域定位和语义分割的无砟轨道异物识别算法以及异物虚警抑制算法集成于软件系统,进行系统运算框架的设计,形成无砟轨道异物智能识别原型系统,并在兰新客专线、沪昆高速、沈大高速三段不同环境线路采集的巡检图像数据上开展实际条件下原型系统的测试验证,结果表明无砟轨道异物智能识别原型系统在现场具有良好的可用性,此外基于验证结果分析了现场运用误报产生原因,评估了区域定位和语义分割两种异物识别算法的优缺点。