铁路扣件作为固定轨枕和铁轨的重要连接部件,对保证列车安全运营具有极其重要的作用,目前的轨道巡检列车虽已实现轨道的自动巡检,但在铁路扣件的自动检测方面,还没有检测效果良好的扣件检测系统应用于综合巡检列车上。我国目前对铁路扣件的检测仍然是人工检测为主,列车巡检为辅助,但随着我国铁路线路逐渐增多,总里程日益增长,铁路线路中桥梁隧道占比越来越大,对铁路轨道使用的频次也逐渐加大,因此研究扣件的自动检测系统具有极其重要意义和价值。目前,深度学习图像处理技术发展迅速,相比于传统图像处理方式具有诸多优势,具有广泛应用前景。本文以深度学习目标检测技术为基础,对基于Faster R-CNN的扣件检测算法进行研究,主要工作和创新点如下:首先,针对巡检列车的工作特性,设计了一套扣件检测系统,整个系统由视觉子系统、图像采集存储子系统和图像处理子系统三部分组成,该系统可以实现扣件图像的采集、存储和扣件图像离线自动检测。其次,针对扣件特征提取这一关键问题,研究了基于卷积神经网络技术实现扣件特征提取过程,对比多种CNN网络,选取ZF网络和VGG网络做为本文的特征提取网络,对ZF网络和VGG网络特征提取过程中的特征响应图进行了绘制,验证方案合理性,并解决了扣件特征提取CNN过程中的梯度消失和过拟合问题。然后,分析并且实现了 Faster R-CNN的扣件检测模型的训练过程和测试过程,对其中关键的RPN过程进行了优化,提升了计算速度,同时绘制并分析了训练过程中的Loss曲线及PR曲线,对本文扣件检测方案的合理性进行了验证。最后,利用实验数据,设计了亮度实验、遮挡实验、旋转实验及噪点实验,验证了扣件检测系统的鲁棒性,在实际线路数据上进行了检测效果测试,并对错误检测进行分析,验证了本文扣件检测算法的准确性与稳定性。