近年来我国铁路呈现高速、重载的发展趋势,这对铁路伤损检测的速度和精度都是更大的挑战。此外,出于铁路检修维护的需要,希望能在检出缺陷的基础上对缺陷的参数进行量化评估,这也对轨道检测的信号处理与分析工作提出了更高的要求。常见的铁轨无损检测方法有漏磁、超声和涡流等,鉴于高速铁轨较高的检测速度以及漏磁和涡流对于近表面埋藏缺陷检测信号的差异,本文提出了一种漏磁与涡流复合的高速铁轨电磁无损检测方法,可以同时检出表面和埋藏缺陷。该方法使用一组差分涡流线圈同时检测漏磁与涡流信号,并通过滤波将漏磁与涡流信号分离。使用ANSYS Maxwell软件搭建了复合电磁检测的有限元模型,仿真结果证实了该方法的可行性。搭建了复合电磁检测系统,包括检测探头、电桥电路、信号调理和信号采集等多个模块,在20–160km/h的速度下对转盘式钢轨样例进行了检测。此外,在单频复合电磁检测的基础上搭建了多频复合电磁检测系统,获得了更为丰富的缺陷信息。实验结果显示,单频和多频复合电磁检测系统都能有效检出样例缺陷。为了从检测信号中识别出缺陷信号并对表面和埋藏缺陷进行分类,基于二值形态学原理提出了一种缺陷识别与分类的方法。该方法对11个表面缺陷识别的准确率和精确率均为100%,未出现误识别、漏识别现象;对于孔径2mm及以上的埋藏缺陷也都能准确识别。对于识别出的缺陷,该方法对表面和埋藏缺陷的分类准确率达100%。最后,鉴于神经网络强大的非线性和自学习能力,搭建了BP神经网络对缺陷的参数进行量化评估,并使用数据融合的算法增加评估的容错率和准确性。数据融合后BP神经网络对缺陷深度、宽度、水平角和垂直角的评估均方根误差分别为0.594mm、0.0541mm、10.3°和7.27°,满足评估精度的要求。为了弥补BP神经网络处理时序信号时的不足,另搭建了Bi LSTM网络对缺陷深度、宽度、水平角和垂直角进行量化评估,其均方根误差分别为0.529mm、0.0436mm、10.3°和6.59°,评估误差得到进一步减小。