随着高速铁路网的不断建设与运营里程不断增长,高速铁路的养护成为日益增长的难题,而轨道结构的损伤检测是高速铁路养护作业中的重点和难点。对于损伤的修补首先需要确定损伤位置、类型与损伤程度,从而才能对每种损伤有针对性的进行修补与养护。宽窄接缝作为CRTS II型板式轨道结构中的薄弱环节,其病害损伤情况严重。论文以宽窄接缝损伤识别为研究内容,采用基于深度学习的目标检测算法,围绕宽窄接缝图像损伤特征分析、图像预处理、损伤检测算法、损伤程度与服役状态评估等开展研究。论文主要研究内容如下:（1）首先分析了宽窄接缝的结构形式、损伤成因与特征,然后采用双边滤波算法在保留宽窄接缝损伤边缘信息的同时去除图像中噪声,采用Gamma与Gray World算法分别对图像进行匀光矫正与色彩矫正。为提高离缝的训练精度,采用图像分割算法将其与宽窄接缝结构进行分割。针对已采集的宽窄接缝图像数量不足的问题,采用图像翻转、平移、缩放等方式对样本进行扩增。（2）论文中通过比较深度学习在目标检测领域的R-CNN与YOLO系列算法,阐述了两种算法的原理与优劣。结合宽窄接缝损伤特点与检测要求,对比各算法性能,选出基于YOLOv3的深度学习算法作为宽窄接缝损伤识别模型的训练网络。（3）将宽窄接缝损伤进行分类并通过Label Img软件对其进行标注,随后通过YOLOv3深度学习网络分别对宽窄接缝与离缝损伤检测模型进行搭建与训练。试验结果表明,模型训练后的Loss值分别为4.02与3.55,IOU取40时模型对各损伤类型均有较好的识别精度,各类型损伤的AP值与模型总体m AP较高。其中,最高AP值为98%且m AP分别达到94%和86%。论文在模型损伤识别后对损伤信息进行提取与存储。（4）以层次分析法建立宽窄接缝服役状态评估系统,在深度学习模型的损伤识别结果基础上通过该评估系统对被测宽窄接缝结构的损伤程度与服役情况进行评估。试验结果表明,本文建立的评估系统能较好的真实反映被测结构的损伤程度与服役情况。论文研究成果可为高速铁路宽窄接缝损伤检测与评估提供一定的指导意义。