铁路是我国目前最普遍的中长途出行工具。近年来,随着铁路里程的增长和列车速度的提升,对于列车行驶环境的要求越来越高,相应的对于铁路巡检系统的要求也越来越严格。在铁路巡检方面,传统的巡检方式存在效率低下、安全系数低下等问题,无人机具有灵活、易操作、安全系数高等优点,以无人机为载体的新型铁路巡检方式已经逐渐成为主流。本文以无人机为载体,设计基于单目视觉的钢轨识别系统,并对铁路轨道环境中存在的障碍物进行识别,为无人高效的巡检系统提供新方案。本文主要研究内容包括以下四个方面:（1）轨道图像形态学预处理。为了实现后续的铁路钢轨的轨线识别,首先实现铁路图像的预处理,通过图像滤波算法消除图像的噪声,其次采用局部对比度增强算法,增强铁路钢轨的金属特征,最后通过改进自适应形态学处理,进一步突出轨道的轮廓特征。（2）铁路线路中钢轨的定位识别。针对钢轨识别问题,将钢轨线路分为直轨和曲轨两种,并分别针对两种轨道设计相应的识别算法:面对直轨,采用逆透视变换处理轨道图像,再设计基于像素间距约束聚类的最小二乘法拟合出直轨直线,然后构建钢轨的卡尔曼数学模型进行数据滤波;针对曲轨,将曲轨分为远近场,对近场使用直线模型,对远视场使用3次B样条曲线模型进行拟合,最终得到曲轨线条。（3）基于深度学习的轨道障碍物识别。为了探测轨道中存在的障碍物目标信息,采用Yolov5s目标检测模型进行轨道障碍物检测,针对Yolov5s目标检测模型存在的对小目标检测效果较差的问题,在Yolov5s的特征提取模块后添加了CBAM自注意力机制,提高网络对小目标的特征提取能力。（4）轨道巡检无人机系统的搭建及总体方案验证。搭建了无人机实物验证平台,进行视频数据验证,并进行实际环境的算法验证,最后进行数据分析得到算法的实际可行性。本文提出了搭载视觉模块的无人机巡检新方案,设计了基于计算机视觉的直轨和曲轨的识别算法,提高的轨道直线与曲线识别的准确率和稳定性,同时采用基于神经网络的轨道障碍物识别算法,解决现阶段巡检中的效率低、安全系数低的问题,并用实物平台验证了本文算法的有效性。