铁路扣件是连接钢轨和轨枕的重要基础部件。传统的扣件检测依靠人工巡检，缺乏准确性和实时性。近年来，计算机视觉技术的高速发展为实现铁路扣件的自动检测提供了良好的技术条件。视觉词包模型方法是目前广泛应用的一种图像表示方法。该方法首先对图像的底层特征进行聚类生成视觉词典，每个聚类中心代表一个视觉单词，然后将图像的各个底层特征映射至与其欧氏距离最近的视觉单词上，生成用来表示图像内容的图像-单词词频矩阵，最后结合机器学习方法对图像进行分类。本文针对视觉词包模型中底层特征到视觉单词的映射过程进行改进，其主要研究工作如下：　　（一）针对传统视觉词包模型在进行底层特征编码时存在较大的量化误差的问题，提出一种基于近义词分配的铁路扣件状态检测模型。首先，利用潜在狄利克雷分布模型分析得到语义主题在某一视觉单词上的概率分布，并引入相对熵衡量视觉单词间的语义距离，从而获取语义相关的近义词；其次，在视觉词包模型的基础上，结合柔性分配策略将底层特征映射至若干近义词；最后，利用支持向量机实现扣件检测。对四类扣件图像的分类实验证明该模型能够有效降低扣件检测的误检率和漏检率。　　（二）针对传统视觉词包模型识别铁路扣件状态时仅利用扣件图像的特征域，忽略其空间域中上下文语义信息的缺点，提出一种基于上下文语义信息的扣件检测模型。首先，在传统视觉词包模型的基础上，引入吉布斯随机场模型对图像中像素的空间相关性进行建模，将图像块在特征域的相似性与空间域的上下文语义约束关系结合起来，从而更准确地定义视觉单词。其次，利用潜在狄利克雷分布学习扣件图像的主题分布。最后，采用支持向量机对扣件进行分类识别。对四类扣件图像的分类实验证明该模型能够有效提高扣件分类精确度。