为了保证铁路的安全运营,使用机器学习、图像处理等来对轨道的基础设施(如钢轨、扣件等)进行可靠、实时、高效巡检是工务段迫切需求的,也是未来智能高铁的一个重要的组成部分。在服役的铁路中扣件发生病害的几率非常低,收集含有病害扣件的轨道图像需要花费很长时间。而这使得数据中正常扣件和异常扣件(具有病害的扣件亦称为异常扣件)的样本数量严重不平衡,会严重影响机器学习算法的检测效果。因此,本文针对扣件样本不平衡的问题进行研究。本文基于深度目标检测模型Faster R-CNN,从提升模型的分类能力和表示能力两个角度出发改进模型并将轨道的几何结构等先验信息融入到模型中,以期待能够对扣件病害检测同时达到高的查准率和查全率。论文的主要工作和创新点如下:(1)提出了基于数据合成的扣件病害检测方法。该方法主要是从数据和损失函数两方面出发来提升模型的分类能力。在数据层面,提出了FIT和FIB两种数据合成的方法来扩充训练数据中异常扣件的数量;在损失函数层面,提出了加权中心损失函数能够同时解决样本不平衡、类间差异小、类内差异大的问题。该方法还使用了轻量化的主干网络来提升模型的推理速度,设计了阈值剪枝过滤算法来过滤误识别为扣件的背景区域来提升模型的查准率,简化了Ro I head来降低模型的复杂度。最后,通过对比实验和消融实验来验证了模型整体的性能以及各部分对模型性能的影响。(2)提出了基于多注意力机制的扣件病害检测方法。该方法主要是设计了特征注意力机制(FAT)和位置注意力机制(PAT)来提升模型的表示能力。由于RPN和Ro I head共享特征但是任务不同,因此设计了特征注意力机制来让这两个模块能够自动地学习对共享的特征采取不同的关注度。通过对目标检测的实验结果进行分析,本文提出不同位置的特征对判定该区域内物体的类别具有不同的重要性的推测,然后针对此现象设计了位置注意力机制,让模型能够自动学习对不同位置的特征采取不同的关注度。针对模型将背景区域误识别为扣件的问题,提出了多元Io U过滤算法。该算法使用X-Io U、Y-Io U、H-Io U、W-Io U来刻画模型预测的边界框之间的几何关系,然后根据扣件横向平行、纵向对齐、尺寸一致的先验信息来过滤掉误识别的背景区域。最后,通过对比实验和消融实验来验证了模型整体的性能以及各部分对模型性能的影响。