随着经济的飞速发展,铁路行业也在不断的进步。铁路是国民经济的命脉,所以对铁路状况进行及时有效的检测是非常重要的。CRTSⅡ型板式无砟轨道已经成为我国铁路目前最主要的铁路铺设板,考虑到高速列车的运营时间大多在白天,采集轨道板裂缝图像的工作就只能在夜晚进行,在弱光拍摄的环境下,采集到的图像容易受光照和噪声的影响,导致图像中的裂缝很难被检测到,甚至会出现误检、漏检的问题。针对这些问题,本文在综合分析了国内外图像检测技术的基础上,使用深度学习的方法从以下两个方面对CRTSⅡ型无砟轨道板裂缝检测技术进行研究:（1）针对传统方法对轨道板裂缝图像检测后容易出现误检、漏检的问题,本文提出一种基于全卷积神经网络的像素级语义分割网络。编码器采用VGG-16,通过三次下采样获取图像的浅层特征信息,然后连接空洞卷积模块扩大感受野,获取更大范围内的图像特征,采用改进的空间金字塔池化层作为网络的解码器获取全局特征和局部特征,最终得到像素级的预测结果。最终精确度达到了81.84%,可以准确分割出裂缝区域。（2）针对夜间采集的轨道板裂缝图像存在光照不均匀、对比度低等问题本文提出一种基于Vision Transformer（ViT）的裂缝识别模型。将卷积神经网络与Vision Transformer模型相结合,使用卷积神经网络对输入数据进行映射降维,减小ViT模型的输入向量,降低模型参数规模。其次轻量化处理网络结构的Transformer模块,通过这两种方式的改进,实现模型泛化性能和模型学习容量的协调优化,最终使本模型达到了97.11%的精度。