中国的公共基础设施建设已经取得举世瞩目的成绩,其中铁路交通建设取得尤为突出的成就,铁路出行已经成为越来越多人的选择,为人们的生产生活带来极大便利,但同时也带来了一定的公共安全问题。目前铁路安全问题的排查仍然主要采用人工巡查的方式,不仅效率低下,而且对铁路人员也存在比较大的安全威胁。为了提高铁路安全问题排查效率的同时更好的保障铁路人员的安全,本文提供了两个解决措施:一是通过监控视频对铁路人员的位置进行自动获取并反馈到铁路调度系统中,及时生成危险预警;二是通过监控视频对部分设备故障和异物入侵等铁路安全问题进行在线分析检测,减少铁路人员作业时间。其中异物入侵问题是铁路安全问题中的难点,由于异物目标定义困难以及异物入侵数据缺失,大部分有监督算法均无法应用,而无监督方法通常在性能和稳定性上均达不到要求。本文以深度学习技术为基础,针对铁路安全问题进行算法研究与设计,并部署到铁路检测系统中。本文主要研究内容如下:（1）针对铁路人员和沿线设备检测需求,完成铁路目标检测算法设计。采用YOLO算法作为Baseline进行算法设计,并提出四项改进措施提高模型性能,通过系列对比实验完成模型的超参数选择,实现了对铁路人员与沿线设备的高效检测。（2）针对铁路异物入侵检测需求,完成铁路异物入侵检测算法设计。首先将需求分为铁轨区域划分和异物入侵检测两部分。铁轨区域划分采用基于U-net改进得到的算法。异物入侵检测使用本文提出的一种基于差分和语义信息融合方法,采用本文提出的BUnet模型实现,通过两个数据通道分别输入RGB图片和差分结果图片,进行特征提取和融合后直接输出异物检测结果,并采用时空数据增强方法来降低算法的场景依赖特性。实验结果表明本文提出的异物入侵检测算法在准确性和泛化性上均有较好的性能。（3）将铁路目标检测算法和异物入侵检测算法部署到铁路检测系统。以Django框架为基础,结合Celery与Redis技术,将Tensor Flow模型部署到铁路检测系统中。系统运行结果表明本文目标检测算法和异物入侵检测算法实现了预期的功能需求,为铁路安全问题提供了一个非常具有参考价值的解决方案。