近年来,我国对铁路运输的需求量越来越大,高铁作为铁路发展的标志性设施,对一个国家起着不可替代的作用,并因此得到迅速发展。然而,在高承载量与高使用频次下,高铁的无砟轨道板会因为受到连续冲压而出现不同程度的表面裂缝伤损,并降低轨道的负荷能力与平顺度,从而影响列车的安全运行。因此,进行高铁无砟轨道板的表面裂缝检测成为了保障高铁安全运营的重要工作。当前,在目标检测方面,深度学习方法具有检测精度高、识别效果好的特点,并有着广泛的应用。因此,为了实现高铁无砟轨道板表面裂缝的准确、快速检测,本文采用了基于深度学习的高铁无砟轨道板表面裂缝检测方法,并针对高铁无砟轨道板表面裂缝存在的样本数量少、表面裂缝尺度差异大、裂缝类别不平衡等问题,开展了以下工作:（1）为了解决小样本问题,提高检测网络模型的泛化能力,避免因样本训练不足而出现欠拟合现象,采用水平翻转、垂直翻转、旋转、缩放、裁剪、添加随机噪声等方法进行数据增强,扩充了训练数据集。（2）针对高铁无砟轨道板表面裂缝存在的尺度差异大的问题,选用RetinaNet作为基础检测网络,并采用多级特征金字塔融合主干网络提取的不同层次的尺度特征信息,实现了图像特征信息的充分表达。同时,使用自适应锚点优化方法,解决检测过程中表面裂缝的分类和定位置信度之间不匹配的问题,提高了检测网络对不同尺度表面裂缝的分类与定位精度。此外,针对样本类别不平衡的问题,引入焦点损失函数作为分类损失函数,并在其中添加类平衡权重因子,使每个类别的样本权重重新得到平衡,以缓解表面裂缝类别不平衡对检测性能的影响。（3）为了进一步提升检测网络对高铁无砟轨道板表面裂缝的检测速度,采用轻量级MobileNet网络充当主干特征提取网络。同时,为了提高表面裂缝检测精度,在主干特征提取网络中,使用多个并行空洞卷积构建大小不一的感受野,以检测多尺度的表面裂缝;其次,添加空间金字塔池化模块保证输出特征图的尺寸大小统一,避免多尺度表面裂缝上下文特征信息的丢失。此外,在特征融合网络中,构建一种新的特征金字塔结构,先融合主干特征提取网络中相邻两层之间的深浅特征,再将其与RetinaNet网络原有的特征金字塔输出特征进行叠加,强化特征信息,以提高多尺度表面裂缝的检测精度。总之,针对高铁无砟轨道板表面裂缝的检测问题,本文以RetinaNet网络作为基础检测模型,并分别从数据集构建、模型建立与优化等方面进行了研究与实验,提高了高铁无砟轨道板表面裂缝检测准确性与实时性,具有一定的理论与工程应用价值。