铁路作为我国交通运输的骨干力量,其运营理念为安全运输高效发展。铁轨是铁路运输的基础,导致事故的一个主要原因是其防护力度不够,异物侵限情况频发。做好铁路沿线的异物监测工作,对确保铁路运输安全意义重大。在高铁运营速度不断提高的新形势下,费时费力的人工检测实时性差,并且难以保证对异物识别的有效性,因此迫切需要一套与铁路运营相适应的自动化异物监测平台。本课题主要研究基于深度学习理论的铁路异物检测与识别技术,其目的在于以机器视觉代替人眼,自动检测和识别可能引起列车运行安全的侵限异物,并实时报警。以便铁路监测站做出排除侵限异物和检修列车轨道的决定,也为进一步设计铁轨防护设施和管理列车运营提供必要的线索依据。论文主要研究工作如下:(1)介绍了铁路异物安全监测和深度学习理论研究现状,分析了自动化异物监测平台对铁路安全运行的重要意义,并阐述了将机器视觉和深度学习理论应用到铁路安全监测系统中的必要性。(2)设计了基于树莓派的铁路视频采集系统:选择高性能处理器Raspberry Pi3B搭载分辨率适合的专用摄像头,完成了GPS、3G、SD模块及报警模块选择及其外围电路设计,最后完成硬件采集系统的搭建,在Raspbian Jessie系统上采用Python语言完成硬件流程控制,实现铁路视频的实时采集。(3)研究了图像灰度化,平滑滤波和图像增强等视频图像预处理技术。通过分析异物图像的特点,比较常用空间滤波的效果,改进了高斯滤波方法;采用了图像对比度增强后的直方图均衡增强处理,实验结果证明两种方法均有利于图像边缘信息的保留,提高待测图像的辨识度。(4)针对铁路视频背景动态变化的特点,结合高斯混合模型和三帧差分法设计了一种运动目标检测方法。在铁路异物识别部分,分析了图像分类的方法优缺点,深入研究深度学习理论,改进CNN网络作为铁路异物识别分类的算法。实验通过建立训练集,网络预训练,对异物图像分类测试,与基于图像的方法对比,实验结果表明该方法可以有效提高识别率。(5)依据铁路异物安全监测存在的问题,提出了一种将深度学习算法应用到异物监测平台中的解决方案。开发了一个基于B/S结构的铁路异物监测平台,并将深度学习理论融入到监测平台,实现异物识别分类。通过实验统计,其检测率和识别率均高于传统异物分类方法,从而证明了本文方案的可行性。最后,总结全文工作,结合研究中遇到的问题,指出下一步研究方向。