列车速度是列车控制系统的重要参数,传统的列车测速方法存在各自的缺陷,随着信息化和智能化技术在各行业的应用日益广泛,研究一种满足智能轨道交通需求的列车测速方法具有重要工程应用价值。本文在此方向下,针对传统列车测速方法存在的不足,利用图像处理中的光流法探究一种列车测速新方法,主要内容如下:（1）从光流场与运动场的关系入手,介绍光流法基本理论,包括光流基本方程的约束条件和推导过程,分析了经典稀疏光流和稠密光流算法的实现原理以及光流法的局限性,接着介绍了光流网络基本原理和相关知识。在此基础上,结合相机成像模型,建立了列车光流测速模型。（2）研究了一种满足列车实时性要求的快速光流计算方法。首先,通过相机标定获得畸变参数以消除图像畸变,分析几种特征点检测算法;然后,针对Lucas-Kanade（LK）光流法无法计算大位移运动的缺陷,引入图像金字塔,通过由粗到精、逐层细化的方法求解大位移运动光流;接着,为了提高算法的实时性,提出使用GPU将光流计算过程并行化;最后,为了方便算法实验验证,设计线路仿真软件并进行测速仿真实验,结果表明,改进后的基于图像金字塔的光流算法提高了大位移情况下光流估计精度,基于GPU的并行加速可以有效提高算法执行速度,满足列车测速系统实时性要求。（3）针对LK光流法易受外界环境的干扰,且无法得到稠密光流的缺陷,提出使用神经网络预测光流。受多尺度残差学习思想的启发,并借鉴经典光流估计神经网络Flow Net的结构,搭建包含三个子网络的光流预测神经网络模型Flow Net2.0-MSD,第一个子网络提取输入的两幅图像的特征并计算其相关性,得到的初始光流输入给第二个子网络进行光流细化,第三个子网络用于预测小位移,最后将二者进行融合,得到更为平滑的大位移光流。采用Flaying Chairs、Things3D和Chars SDHom数据集对三个子网络单独训练然后微调,对训练后的模型进行了列车测速仿真实验。受处理实时性限制,光流网络测速范围较小,难以用于高速运动物体的测速,但是精度较高。（4）在论文提出的算法基础上,完成列车测速软件编写,使用实验室搭建的相机支撑平台进行实际线路实验,进一步验证论文提出的两种列车光流测速方法的性能。实验结果表明,基于GPU并行计算的改进LK光流法测速范围较大,光流网络实时性相对较低,但是测速精度更高,分别适合较高速和低速列车的测速。