随着我国城市轨道交通的不断建设,地铁运营线路里程也在不断增加,对地铁轨道安全性、可靠性的要求日渐提高。轨道扣件是固定钢轨和轨枕的重要连接部件,钢轨的震动和环境温差等因素会使扣件损坏或脱落,长期以往会出现钢轨变形、坍塌等问题,严重时会直接导致列车发生脱轨事故。传统的轨道巡检一直依靠人工检测,缺乏实时性和准确性,应用计算机视觉的地铁轨道扣件缺陷检测是轨道智能化运维的发展趋势。本文主要针对地铁运营线路中的轨道扣件,研究了一套扣件缺陷检测及定位系统,该系统可基于深度学习算法自动检测和识别扣件缺陷,并实现对故障扣件在运营线路中的定位功能。首先针对车载式轨道巡检系统的工作特性,分析了系统的设计要求及性能指标,介绍了系统的总体架构,并对系统中同步触发高清成像机构、轨道缺陷检测机构和轨道定位单元三个关键部分进行了研究设计。接着针对扣件缺陷检测这一核心问题,对比分析了多种目标检测算法,选用了基于卷积神经网络的Yolo V3算法作为本文的缺陷检测算法,并根据扣件缺陷的特点对算法进行优化,使用K-means算法对目标候选框的个数和宽高比维度进行聚类分析,同时采用多尺度特征融合的方法改进了Yolo V3的网络结构。通过实验对优化前后的目标检测模型进行了评估分析,最终的实验结果满足了系统需求指标。然后研究了故障扣件在运营线路中的位置获取方案,设计了一种基于轨道定位点图像特征量的非接触式轨道定位方法,对目标检测模型的结果图像提取了几何特征和灰度特征,通过改进的主成分分析方法对图像特征量进行了降维处理,并采用了粒子群优化支持向量机对特征量进行分类,实验证明该方法能够准确分类轨道定位点图像,实现定位故障扣件的功能。最后搭建了样机试验硬件平台,并设计了扣件缺陷检测及定位系统软件,样机试验运行表明:相机同步触发稳定可靠,扣件缺陷检测准确率和轨道定位精度均满足系统设计目标。