我国的轨道交通行业目前正处于高速发展的阶段,为了满足国民经济和社会发展所需要的运输需求,铁路网不断地扩大规模,完善结构,使得全国铁路营业里程逐年快速增长。作为铁路系统中重要的地面基础设施之一,轨道扣件担负着固定铁轨、保证轨道稳定性和可靠性的重要任务。但由于长期所处的外界环境多变复杂,扣件经常会出现缺失,松动、断裂等问题,影响轨道的稳定性和可靠性,进而影响铁路运输效率甚至危及乘客生命安全。因此,保证铁路扣件系统的高可靠性成为了铁路部门的重要工作之一。目前的铁路运营形势下,传统的运维方式由于检测精度差和效率低已经不适应时代需求。随着计算机和图像处理技术的发展,机器视觉系统也受到了铁路行业的青睐。此外,对于采集的图像的质量以及传输速率也有了更高的要求。因此,关于轨道扣件的检测也不再依赖人工与巡检列车相结合的方式,而是逐渐系统化、智能化,并致力于实现在途的实时图像采集与处理。为实现上述目标,本文对轨道扣件的图像采集与处理开展了研究。论文的主要工作可总结为以下几点:（1）在图像采集工作中,为了满足高速和大吞吐量的要求,选择千兆以太网（Gigabit Ethernet,Gig E）相机及其接口作为本研究的图像采集和传输设备。此外,在Linux操作系统下设计了Gig E相机的控制接口程序,完成了Gig E相机参数配置、扣件图像的采集和网络传输功能,并最终实现了采集图像在上位机中的存储和显示。（2）在图像处理工作中,构建了一套关于轨道扣件的标准图像数据集。针对本文所研究的实际应用情景,在满足一定运行速度的前提下,利用YOLOv4-Tiny轻量级目标检测网络结构作为轨道扣件检测模型,并利用数据集完成若干种不同目标检测网络的训练和测试。通过评估各项指标,验证了YOLOv4-Tiny目标检测网络结构对本研究的适用性,并利用Tensor RT技术实现了模型在嵌入式平台上的优化部署,识别准确率达到了99.01%。（3）最后基于PyQt5平台设计系统软件的操作界面,并利用真实数据对软件的各个功能进行了测试,结果表明该软件达到了实际应用要求。图49幅,表16个,参考文献68篇。