铁路客车转向架作为承载车体的主要部件,是确保客车运行安全的关键因素,因此对其进行动态隐患检测尤为重要。目前,我国已借助高速摄像机建立覆盖整个铁路网络的客车可视化TVDS系统,列检员需从拍摄到的图像中查找隐患,此方法需要其在短时间内完成上千部位的隐患检测任务,这对列检员业务能力有极高要求并且长时间人工作业无法保证检测准确率。因此,利用计算机视觉中的目标检测技术对拍摄图像进行隐患自动检测是一项十分有意义的工作。本文通过对收集到的TVDS图像整理得到5类隐患分别为:螺栓丢失、开口销丢失、连接线断开、部件漏油和夹带异物,以此为研究对象结合深度学习的目标检测算法实现隐患图像自动检测。主要工作如下:（1）深度学习算法训练时需要大量样本,本文采用数据增强方式扩充隐患样本以满足模型训练需求,将扩充后的2226张隐患样本制作成Pascal VOC的格式并命名为TL＿Dataset数据集。通过实验Faster R-CNN算法对5类隐患部件的均值平均精度为74.94%,相较原数据集训练出的模型Map值提高17.35%。（2）针对螺栓、开口销两类小目标隐患检测效果不佳的情况,提出对Faster R-CNN算法从3个方面进行优化。首先将算法中的基准网络替换为Det Net-59并对网络后4层输出融合为多尺度特征图;其次使用K-means++算法对标注框聚类将得到的结果作为新的锚框方案;最后采用Pr ROI pooling作为感兴趣区域的池化操作。用本文优化后的算法在测试集上实验并与原算法结果对比,螺栓和开口销隐患的检测准确率分别提升38.02%和8.36%,且5类隐患的均值平均精度提升11.2%。（3）基于优化后的Faster R-CNN算法,采用Django框架设计客车转向架隐患检测预警系统。根据调研情况,将系统设计为5个主要模块与“双确认”机制的结构,实现对TVDS拍摄图像的自动化检测和隐患管理,最后结合相关规定划分隐患等级,提出对应隐患等级的处置方案。本文利用基于深度学习的Faster R-CNN目标算法实现了客车转向架区域螺栓丢失、开口销丢失、连接线断开、部件漏油和夹带异物5类隐患部件的自动检测,并依托优化后的算法设计了客车转向架隐患检测预警系统,为后续完善铁路客车隐患自动化、智能化检测提供了研究思路和技术手段。