21世纪以来,中国铁路建设飞速发展,已经进入了高铁时代。随着高铁规模的不断扩大,为保障高铁的安全平稳运行,对高铁轨道进行检测已经成为了高铁发展的前提和基础。高铁扣件起着固定铁轨、保持轨距、阻止铁轨相对于轨枕的纵横向移动的作用,当高铁扣件在轨道上发生偏移、丢失时,容易造成高铁运行过程中车身不稳,进而导致事故发生,给人民的生命和财产安全造成极大损失。因此,为了使高铁能够安全运行,对高铁扣件进行准确、快速的检测具有十分重要的意义与价值。传统的扣件检测采用人工巡检的方式,这种方式耗时长、成本高,且存在安全风险。随着计算机视觉技术的发展,该技术被广泛应用于高铁扣件检测,这种方法比人工巡检更安全,更快速。同时,随着图像信号处理算法的发展,在对高铁扣件的检测过程中,基于深度学习的目标检测算法逐步应用于高铁扣件的检测。为了进一步提高检测网络的检测精度和检测速度,针对目前高铁扣件存在的丢失和偏离问题,本文提出了基于改进Faster R-CNN的高铁扣件检测方法,主要的研究内容如下:（1）高铁扣件数据集的构建。本文利用轨道交通基础设施性能监测与保障国家重点实验室的实验场地,采集了一系列的高铁扣件图像,并通过数据增强技术对高铁扣件图像进行扩充,构建了高铁扣件数据集。（2）针对多类不同状态的高铁扣件检测问题,为了提高高铁扣件的检测精度,本文采用基于改进Faster R-CNN的检测网络模型。首先,在特征提取网络Res Net-101中引入了可变形卷积,对卷积核中每个采样点的位置都增加了一个偏移量,以使在特征提取过程中更加集中于扣件区域,实现了扣件特征的精确提取;其次,针对Faster R-CNN中回归损失Smooth L1对预测边框与真实边框发生重叠的状况不敏感、不利于预测边框回归等问题,采用Alpha-IOU损失替代Smooth L1损失来优化Faster R-CNN网络模型。实验结果表明,改进后的高铁扣件检测模型可以有效地检测出多类高铁扣件丢失和偏移两种不同的状态,提高了检测网络模型的检测精度。（3）为了降低检测网络的计算量,提高高铁扣件的检测速度,本文采用了两种改进的轻量化检测网络模型,即Shuffle R-CNN及轻量化Faster R-CNN,并对其进行了对比研究。实验结果表明,这两种方法都在保证一定精度的前提下,有效地提高了检测速度。