列车运行轨道的安全性对列车运行至关重要,因此,运行轨道的伤损检测对列车安全高效运行意义重大。传统的轨道伤损检测方法如目视法、磁粉法、超声波检测等方法检测效率低、易受主观因素影响、造价高且精度低。为解决以上问题,一种基于机器视觉的钢轨缺陷检测法应运而生,该方法根据轨检设备采集到的轨面图像结合图像处理技术进行对轨面进行缺陷检测,具有高效、便捷、低成本的优点,并且拥有广阔的实际应用前景,本文以轨面图像为研究背景,结合机器视觉和深度学习的原理,对基于图像处理的轨面缺陷识别方法展开研究。首先,阐述研究背景和意义,对轨面缺陷检测的重要作用进行论述,对研究现状进行回顾分析,总结现有成果。指出根据机器视觉检测系统结构原理结合铁路现场的环境,按照轨检图像的检测要求,对检测系统的图像采集装置的硬件进行了选择并对参数的设置进行理论研究和技术分析,以获得良好的轨面图像。然后,对采集的轨道图像进行预处理,采用直方图均衡化算法对轨检图像进行图像增强,随后对比了几种常用的图像去噪算法,采用了自适应滤波算法对轨检图像去噪,在实现了预处理后,利用改进的Canny边缘检测算子对预处理之后的缺陷图像进行粗提取,提出图像中的脊线像素,并且引入形态学原理,对背景纹理进行重构与滤除,然后利用多约束Hough变换检测直轨,取得了较好的直轨模型提取结果。对提取后的轨面图像进行缺陷检测和标记,通过对比常用的边缘检测算法和阈值分割算法,改进了Ostu阈值分割算法完成缺陷分割模块。最后,通过构建神经网络并采用自监督的方式来调整权重,根据损失去学习各类缺陷的特征权重,使得有效的特征信息权重大,无效或者效果较小的特征信息权重小,以该方式去训练网络模型,分别构建了DenseNet和SE-DenseNet网络,将分割后的缺陷图像,进行缺陷分类,得到更好的识别分类效果。实验表明,本文所提出的基于图像的轨面缺陷识别技术可以快速并准确的定位钢轨区域及存在的缺陷;准确地将缺陷分类识别,能够满足轨检图像检测的精度和速度的要求,具有较高的理论价值和实际应用前景。