列车轮对是保障列车高速平稳运行的关键部件,及时发现轮对踏面存在的缺陷问题可以减少列车运行风险。由于人工检测存在效率低、劳动强度高、含有主观因素等缺点,使得智能化检测成为轮对缺陷检测的发展方向,其中以机器视觉技术为目前的主流,其体现出诸如检测效率高、动态检测即列车无需停靠等优点。轮对踏面机器视觉检测设备除了硬件设计以外,最为重要的是缺陷识别算法的研究,本文以深度学习技术为主、图像处理算法为辅,研究踏面缺陷识别方法。本文的主要研究成果如下:（1）提出一种双目标检测网络识别方法。将轮对踏面缺陷检测任务分为轮对踏面区域检测和踏面缺陷检测两个步骤。通过分别使用两个目标检测网络模型串联识别踏面缺陷,实验验证了该方法对缺陷识别准确率提升的有效性。（2）设计了一种轮对踏面区域自适应方向校正方法。针对采集原因所造成的踏面区域存在不同方向偏转的问题,本文所提方法可以将不同偏转方向的轮对踏面区域校正至水平方向。并在此基础上训练SSD网络,使用了轮对踏面区域的快速识别,其精度均值达到了99.8%,单张图像计算耗时仅为31.8ms。（3）提出一种YOLOv3模型改进方法。通过分析踏面缺陷的尺寸分布情况,结合YOLOv3分配到每个输出结构上的anchor box所预测的目标尺寸范围,得出YOLOv3中用于预测大目标的输出结构在踏面缺陷识别任务中无法发挥作用,所以删除该输出结构以达到提高模型计算速度的目的。实验结果表明:优化后的T-YOLOv3相较于YOLOv3,其精度均值仅有0.6%的损失,但每张踏面图像的平均计算耗时减少了7.1%,实验验证了该方法的有效性。（4）提出一种数据增强方法。针对踏面缺陷数据集难以获取的问题,本文提出了使用生成对抗网络来生成包含缺陷的踏面图像的方法,以达到扩充数据集的目的。实验结果表明:将生成的踏面图像添加到原始踏面缺陷训练集后,所训练出来的T-YOLOv3模型在测试集的识别精度均值由原本的89.9%提高至92.1%,对于模型训练效果提升明显。