近年来，随着我国铁路系统的快速发展，铁路运行里程数和铁路网的覆盖面积大幅增加。并且，由于当今社会对铁路系统环保程度、运行速度、运输能力的要求，使得电气化铁路在所有运营的铁路中所占的比例越来越大。在此背景下，如何提升铁路系统运行的安全性、巡检的自动化程度、对异物入侵及设备故障检测的准确性、报警的及时性成为了目前的研究热点。传统的依靠工作人员进行人力巡检的方式存在着效率低、成本高、检测周期长等缺点，远远不能满足当今铁路系统的要求。因此可以对铁路系统图像进行智能识别的自动巡检方式备受关注。　　本文在学习了卷积神经网络的原理之后，认为如果将卷积神经网络应用于铁路图像的智能识别算法当中，将很大程度提高原有巡检方法的识别准确率，并在此基础上进行了研究与实验。本文的主要工作内容如下:　　(1)介绍了卷积神经网络的基本概念及组成结构，阐述了其各部分的功能。分析了卷积神经网络在物体特征学习、物体识别方面的优势。明确了将卷积神经网络作为本文研究的主要技术手段。　　(2)针对铁路系统异物入侵检测任务，提出了先对视频背景进行区分，在视频图像的危险区域应用移动目标检测算法进行视频预处理，再通过卷积神经网络进行物体识别来确定是否需要报警的解决方案。然后试验了数种移动目标检测算法，并从检测结果的准确性、算法耗时等方面对算法进行了对比。　　(3)在卷积神经网络的理论基础上，采纳优秀模型的设计理念，结合工程复杂度、实际需求和硬件配置，进行卷积神经网络各个部件的设计，整个网络的搭建工作。根据具体问题，确定了卷积神经网络的损失函数，分类器，训练方式和优化算法等。在训练好参数后，完成了对图片测试库和对现场视频的测试，验证了本文提出的异物入侵智能识别算法的可行性。　　(4)结合实际工程问题，设计了基于卷积神经网络的接触网设备故障智能识别算法。使用现场的绝缘子和吊弦图片进行标注，训练网络参数，并通过样本拓充方法避免了因为样本数量不均带来的网络过拟合问题。最后，通过实验验证，该算法对绝缘子、吊弦故障的识别率分别达到了90.2％和96％。满足了实际工程需求，同时也验证了卷积神经网络可以提升铁路系统巡检的效率和智能化水平。