我国铁路发展至今已成为国民命脉,是交通出行必不可少的方式,而铁路因长年热胀冷缩以及自然灾害等原因会造成形变,因此铁路形变检测成为铁路巡检的重要部分。本课题是基于深度学习的铁路轨道形变检测研究,设计并完成了 一种基于改进YOLOv4模型的铁轨形变检测系统,改进了传统的YOLOv4模型的检测过程,避免了主干特征提取网络的复杂性,在保证检测精度的前提下,提高了整个YOLOv4模型的速度。本文主要内容包括以下四个部分。（1）数据集的制作与数据增强:在铁轨形变图像分类过程中,考虑到原始铁轨形变的图像数据集较少,首先对原始铁轨形变图像进行了数据增强操作,通过旋转、平移、镜像、加噪声以及颜色空间变换等操作,使得铁轨形变数据集得到扩增,铁轨形变数据由原始采集的2178张扩增为10890张图片,为YOLOv4模型的设计与改进提供了数据的支持。（2）特征提取网络的轻量级优化:基于YOLOv4的主干特征提取网络进行了研究,CSPDarkNet网络进行了分析,将重量级CSPDarkNet网络改为轻量级网络Mobilenetv1、Mobilenetv2、Mobilenetv3并使用深度可分离卷积代替基本卷积过程完成了PANet特征加强网络的优化,经过测试,在精度下降很少的情况下,使FPS提高两倍左右。（3）K-means聚类算法:目标检测中,为了让预测框与真实框取得更好的IOU值以便于更精准地定位目标,需要提前标定锚点框对目标进行聚类。本文采用聚类算法在进行训练之前对数据集进行聚类预处理,提高训练的速度,识别率提高了 4.68%。（4）注意力机制的加入:主要根据Attention以及Self-Attention的基本原理,以及注意力机制聚焦输入的局部信息的过程,来对YOLOv4网络预测铁轨形变训练过程进行改进,通过加入SE,ECA,以及CBAM模块三种注意力机制对得到的结果进行对比实验,得出对比结果CBAM注意力机制最有效得使平均精度得到提升,精度提高了 0.38%。本次铁轨形变检测数据集的制作以及网络改进,是本文设计铁轨形变检测系统的核心环节,对YOLOv4模型预测速度和精度的提高提出了可行的改进方案,对于其他YOLOv4检测模型的改进也有借鉴意义。