铁路扣件作为轨道的重要组成部件,主要用于将钢轨与轨枕联结起来,固定钢轨的正确位置,防止钢轨发生移位和倾翻。在实际铁路线路中,铁路扣件会发生断裂和丢失,直接影响列车的安全运行,因此对于铁路扣件状态的检测成为铁路日常运营维护过程中一个重要方面。目前,在国际上基于计算机视觉技术的铁路扣件检测系统因实现简单,效率高而受到广泛应用,是一种非常好的解决方式。本文主要针对基于计算机视觉技术的铁路扣件检测系统中的铁路扣件检测算法进行了研究,主要内容如下：针对现有铁路扣件定位算法的不足,本文提出了一种扣件区域两步定位方法,首先在原始铁路图像中定位钢轨和轨枕的位置,并根据它们与扣件之间的位置关系粗定位扣件区域；其次以粗定位图像为基础,以扣件上下边缘附近的挡肩信息为依据,通过对梯度图像进行模板运算突出挡肩部位特征并抑制噪声的影响,实现扣件的精确定位。并利用实际线路上采集的原始图像创建了定位算法测试样本库,对本文提出的算法进行了验证。证明了该算法能够有效解决现有扣件定位算法定位区域过大的问题,且受光照和线路弯曲的影响很小,具有很强的鲁棒性。由于单一特征容易受噪声、光照等影响,识别率较低,本文提出了将反映图像多尺度下的轮廓结构信息的PHOG特征与反映图像局部纹理信息的LBP特征进行信息融合,并结合支持向量机方法依据融合特征实现对图像中扣件状态的识别。并利用实际线路上采集的原始图像创建了扣件识别算法测试样本库,对本文提出的算法的有效性进行了验证。与单一特征相比,利用融合特征能够获得更好的识别效果。