近年来,随着中欧班列和其他长途跨境客货火车的开通,铁路运输在陆上长途交通领域发挥的作用越来越大。铁路运输为跨地区的经济融合、社会沟通、人文互动做出了重要贡献。如何保证铁路运输的安全运行广受关注,钢轨接头螺栓的各种故障是引起铁路运输事故的因素之一,钢轨接头部位的日常维修、养护占到轨道维修工作量的60%-70%,因此研究钢轨接头螺栓组件故障的快速检测与识别具有重要意义。主要研究工作如下:首先对钢轨螺栓故障、机器视觉在轨道交通检测中的应用、以及目标检测算法的国内外研究现状等进行了概述,然后分析钢轨螺栓组件的所有可能故障,并阐述了各种故障产生的原因,设计钢轨螺栓组件图像采集方法。其次建立钢轨螺栓组件故障的专门数据集,选择目标检测领域常用的几种算法进行对比实验,实验证明YOLOv4在检测速度、平均精度和均值平均精度等评价指标上比较优秀,是一个适合用于工程应用的目标检测识别算法,并根据钢轨螺栓的特点对YOLOv4进行了优化。根据轨道螺栓组件数据集样本大小的特点,通过聚类生成了适合螺栓组件尺寸的先验框,也为坐标预测提供了更可靠的回归依据。在YOLOv4的优化器改进上,引入自适应优化算法,结合YOLOv4目标检测模型默认的随机梯度下降算法,形成自适应和随机梯度下降融合的优化算法,并设置了两种算法的切换时刻。融合后的算法在训练阶段前期的损失函数呈现快速下降的效果,并在后期拥有良好的收敛性。然后对目标检测识别算法模型进行剪枝体量轻量化操作。最后轻量化后的算法被移植到测试平台上进行实验并优化,并对故障螺栓组件的识别进行了准确度测试。测试结果表明,基于深度学习的钢轨螺栓组件故障检测与识别方法能够有效识别出钢轨螺栓的螺母缺失、螺母破损、螺母松落、垫片消失、螺栓缺失、螺栓破损等故障,平均准确率达到84.8%以上,FPS可以稳定保持在20.12fps左右,能快速、准确地完成钢轨连接处螺栓故障的检测任务。