交通运输是一个国家的经济命脉,对经济的发展有着巨大的推动作用。高速动车组作为一种新型的交通工具,为人类出行带来了巨大便宜,同时其运行安全也备受瞩目。由于动车组底部结构繁复,零部件众多,传统的人工列检方式不但操作不便,更有可能因为人工疏漏而造成经济损失甚至人员伤亡。动车组运行故障图像检测系统(Trouble of moving EMU Detection System,TEDS)集图像采集、图像传输、数字图像处理与计算机视觉等技术于一体,旨在达到动车组故障智能检测的目的。目前,TEDS采用图像比对识别技术对动车组图像进行故障检测,再结合人工复检的方式判定动车组故障。但是,基于灰度差值的图像识别技术误报率高达80%,极大增加了人工复检的工作量。因此,本文针对动车组底部不同部位的图像,设计相应的故障检测算法降低检测的误报率,实现动车故障检测的智能化。动车组底部底板部位,结构比较简单,螺栓分布广泛。针对底板螺栓丢失故障,本文提出底板螺栓的暗边缘特性,即螺栓边缘像素较中心像素灰度低,结合FAST(Features from accelerated segment test)角点检测算法原理,实现底板螺栓的识别与定位。然后基于底板螺栓丢失产生的亮边缘效应,即丢失螺栓边缘像素较中心像素灰度高,实现螺栓丢失检测。动车组底部轮轴、牵引杆等部位,结构复杂,部件众多。针对基于图像分类的深度学习等方法只能对动车组关键部位进行检测的问题,本文沿用基于图像比对的思想设计基于图像块特征比对的故障检测算法对动车组底部图像实施全方位的检测。针对图像分块尺寸的问题,本文提出了一种图像分块策略使得动车组底部图像的分块结果既能包含足够的信息,又不会造成信息冗余。针对传统图像配准精度不够的问题,本文结合基于特征配准方法和基于模板匹配方法提出二次配准算法,实现动车组图像块的高精度配准。对于图像块的特征比对,本文提出了动车组图像块的Haar特征和方向梯度直方图特征提取方法,并通过几种不同的特征相似性度量方法实现图像块的比对。最后,本文选取了基于方向梯度直方图特征和标准化欧式距离度量实现了动车底部图像的故障检测算法。最后,本文对提出的算法通过现有的图像库进行了实验仿真。实验结果表明,本文提出的螺栓丢失检测算法对螺栓丢失情况识别准确,误识别率低,识别效率高;本文针对轮轴等区域提出的故障检测算法在保证了故障识别率的基础上,明显降低了误检率。因此,本文的研究为TEDS图像识别技术的改进提供了有效的理论依据和算法支持,具备较好的行业应用前景。