铁路运输是我国国民经济的动脉,在当今社会发展中占有重要地位。由于我国铁路安检技术起步较晚,铁路安检任务主要依靠人工巡检,但人工巡检效率低,需要大量人力物力。随着铁路网络的发展及人工成本的提高,迫切需要一套自动巡检的设备实现高效巡检,减少人力成本,提高巡检速度和检测的准确性。本文围绕人工智能领域的计算机视觉技术,深入研究图像检测方法,并将其应用于钢轨扣件检测领域。本文采用深度卷积神经网络构建钢轨扣件检测模型,并针对钢轨扣件检测任务优化深度学习模型,实现高性能实时检测,显著提高钢轨扣件检测效率。本文首先建立了钢轨扣件检测图像数据集,包含4种钢轨扣件类型共4000张钢轨扣件图片。采用区域建议网络生成感兴趣区域,使用卷积神经网络提取特征,并将分类器融合到检测网络中,在Caffe深度学习框架与Faster R-CNN深度学习检测框架的基础上,实现了端到端的钢轨扣件检测。之后,采用特征提取网络优化、数据增强与在线困难样本挖掘等方法提高了模型准确度;通过减少感兴趣区域数量优化Faster R-CNN检测框架,并合并Caffe框架的网络层,提高了模型速度。最终在TITAN X显卡的部署环境下,模型精度达到了99%,速度达到50FPS。