伴随着铁路运输不断向着“客运高速、货运重载、行车高密度”的方向发展，钢轨受到的损耗将会越来越大，钢轨表面的伤损也将越来越多。钢轨表面伤损不仅影响列车的正常运行，而且还可能导致伤损向钢轨的内部发展，严重时导致钢轨断裂，铁路运输安全也将受到严重的威胁。因此，及时、准确地发现钢轨表面缺陷，并采取有效的维修方式可将潜在的危险因素扼杀在萌芽中。传统的钢轨表面检测方法主要通过人工巡检，该方法的检测效率和准确性不稳定，检查人员的工作量大且工作环境危险。本文采用图像处理技术对钢轨表面缺陷进行检测，对钢轨表面的缺陷预判断、目标分割以及目标识别等进行了重点研究。论文主要内容如下:　　首先，根据用于钢轨表面检测的图像的要求，结合铁路现场环境，选取合适的摄像机、光源、计算机、图像采集软件等搭建钢轨表面图像采集实验平台。利用钢轨表面与非钢轨表面的灰度差异，采用基于灰度垂直投影的钢轨表面提取算法对钢轨表面区域进行提取，该算法提取钢轨表面区域定位准确、精度高、速度快。　　其次，通过定性分析和定量分析对比几种常用的图像增强算法，仿真实验结果显示，同态滤波法对采集的图像增强效果更好。接着，对增强后的图像进行分析发现，图像序列中相邻图像间灰度分布相似且图像缺陷（或轨缝）区域与正常区域存在灰度差异。根据统计学方法，采用基于灰度差异的钢轨表面缺陷预判断算法，对疑似含缺陷的图像进行提取，仿真实验结果显示，该方法能够有效地提取疑似含缺陷的钢轨表面图像。　　然后，针对传统C-V(Chan-Vese)模型和LBF(Local Binary Fitting)模型对初始轮廓位置敏感、收敛速度慢等问题，建立改进的主动轮廓模型，将非凸模型优化成凸模型，并采用Split Bregman迭代算法对模型进行求解，实现对钢轨表面目标的分割。采用该模型、C-V模型和LBF模型对钢轨表面掉块、裂纹和钢轨接缝分别进行分割实验，仿真实验结果显示，该模型分割性能的各项参数指标均优于另外两种模型，可以应用于对钢轨表面目标的分割。　　最后，对目标分割结果的特征进行提取，并通过统计和观察，选取出可有效区分钢轨表面掉块、钢轨表面裂纹和钢轨接缝的特征参数，并构建BP神经网络来实现对钢轨表面掉块、钢轨表面裂纹和钢轨接缝的识别分类。仿真实验结果显示，该识别网络分类准确，可以满足检测要求。