铁路扣件是铁路线路的重要部件,良好的扣件状态是维系铁路运输安全的重要保障,扣件缺失会对铁路行车安全形成巨大威胁甚至酿成重大事故。目前我国轨道扣件状态的检测主要是采用人工巡检的方式,该方式效率低下,主观性强,检测结果依赖于巡道工人的技术熟练程度,漏检率高。随着我国轨道交通事业的快速发展,这一问题日益突出,如何快速准确地检测扣件缺失,亟需解决。近年来,计算机技术及图像处理技术飞速发展,基于计算机视觉的扣件缺失自动检测系统已经成为当前国内外研究的重点,该系统具有非接触、速度快、精度高、适应能力强等优点。本课题根据国内外扣件状态检测方法的研究现状,提出了一种基于计算机视觉的自动检测系统,主要研究检测系统的整体方案,搭建硬件系统、分析设计软件系统,同时研究扣件识别的快速检测算法,最终实现铁路扣件缺失的自动化在线检测。具体工作如下：准确定位原始图像中扣件的位置是系统检测的重要前提。本文针对现有定位算法的不足,提出十字交叉定位法定位轨道扣件区域。首先对图像进行小波降噪,其次进行Canny边缘检测,再分别进行水平和垂直方向上的投影,进而采用区域扫描统计法定位钢轨和轨枕的边界,最终确定扣件区域。该方法定位准确,且具有很强的鲁棒性和稳定性。对边缘检测后的扣件图像进行连通域和形态学处理,再进行特征提取,包含有：图像面积、图像欧拉数、图像熵、二值图像的垂直投影矩阵时域统计特征(含均值、标准差、均方差、峭度、偏度)、二值图像分割的区域面积特征。不仅能准确反映扣件状态,而且大大减少计算矩阵特征的运算量,减少系统运算量,从而提高了分类器的训练和识别速度。对提取的特征进行归一化处理后,分别采用BP神经网络和模糊C均值聚类对特征进行扣件缺失识别。两种算法均能实现对扣件缺失状态的识别,且各有优缺点,可根据实际情况选用其中一种方法。对现场采集轨道图像的实验研究表明：本文的扣件提取算法具有很强的稳定性,不受光照不均匀和钢轨倾斜的影响,能够快速准确地提取出扣件区域；本文采用的图像处理方法和分类算法能够有效识别轨道扣件缺失,能在一定程度上代替人工巡检。