铁路列车是我国交通运输的重要工具,其发展关系着国计民生。尽管我国高铁的各项技术和指标已具有国际最先进的水平,但是列车安全保障依旧面临巨大挑战,高速列车安全高效的运行依旧是一个重大问题。无论在国内或者国外,列车事故时有发生。由于列车长期持续行驶上千公里,列车磨耗加快,震动加剧,性能参数快速蜕变。这些因素严重威胁列车安全运行,降低了列车安全系数,造成列车运营期间的安全事故。因此,完善列车智能化自动检测系统十分必要。列车零部件检测作为列车自动智能检测系统中的重要一环,主要负责对列车零部件的检测。然而由于工业领域下列车零部件数据的场景复杂性,目标检测算法的设计会受到很大的考验。本文目的旨在进一步完善基于深度学习的列车零部件智能检测算法,提升列车零部件检测性能。本文的研究内容主要包括:1.本文提出了一个新的基于深度学习的列车零部件检测框架,它通过挖掘列车零部件之间的关系与列车的结构知识来提升列车零部件检测的性能。我们提出的模型是可移植的,并且可以很容易地插入到另一个最先进的基于两阶段的目标检测框架中。我们在目标检测框架Faster RCNN上融入了我们的方法。在我们的方法中,列车零部件被建模成一个层次化的场景图。然后我们通过图卷积神经网络自动学习部件之间的关系和部件与场景之间的关系。最后,我们利用图卷积神经网络学习到的节点特征来预测目标类别和边界框偏移量。通过挖掘部件的结构知识,我们所提出的方法显著优于其他基于深度学习的目标检测算法。2.本文基于所提出的列车零部件检测框架,进一步设计了基于目标关系挖掘的少样本列车零部件智能检测算法。因为目前大多数目标检测器都存在一个重要的局限性:它们依赖于大量的训练数据和大量注释的标签。对于目标检测,标注数据的代价是非常昂贵的。针对这一问题,本文设计了一种基于元学习的少样本列车零部件检测框架。我们方法的核心是典型的知识转移与一个附加的元学习器。元学习器采用支持集图像,其中包括新类别和基本类别的少数例子,并预测将每个类别表示为一个向量的原型。然后,原型从一个查询图像重新加权每个Ro I（感兴趣的区域）特征向量,以重新建模R-CNN预测器头。为了促进重构过程,我们在图结构下预测原型,它通过相关类别之间相关的先验知识的明确指导,将相关基类别的信息传播到新的类别。