目前在铁路异物入侵预警系统,通过传统的接触式检测存在精度低、无法定位异物位置、大小、形状等问题,通过安检人员在轨道上进行定时巡检也会有由于巡检人员疏忽造成的工器具遗落在轨道上、漏检、不易通过巡检发现的异物等问题,上述问题在铁路安检系统中是客观存在的。近年来,铁路从业人员将人工智能技术与图像视频分析结合,可以对轨道异物入侵进行检测报警、列车运行安全隐患进行排查、运行环境进行实时检测监控。基于目标检测的图像分析技术可以解决上述问题,但是目标检测技术检测精度、检测速度、模型太大部署成本高,导致不能在轨道异物检测发挥出最大价值,本文基于目标检测的轨道异物入侵进行研究,提高轨道异物检测的准确性,减少漏检误检的频率,降低了模型的规模,加快了推理速度,更便于部署。本文具体工作内容如下:（1）构建了私有的轨道背景下异物入侵检测数据集。在铁路安全检测系统中需要大量的异物入侵数据,目前网络上没有公开的数据集用于研究,本文通过分析铁路中监控相机的安装位置、高度和角度,模拟采集轨道背景下的异物入侵检测数据集。以本文构建的轨道异物入侵检测数据集为基础开展算法研究。（2）基于YOLOv3进行轨道异物入侵检测算法研究。首先,针对数据集数量不足、类别不平衡的问题,使用shuffle进行数据增强;然后,为了提高异物检测准确度,减少误判错判概率,使用DIo U损失替换YOLOV3中的坐标位置损失;接着,为了降低模型存储大小、降低内存消耗、加快推理速度,使用D-SE注意力机制优化后的轻量化网络D-Mobile Net V3作为算法骨干网络,并将YOLOv3检测头中的标准卷积替换为深度可分离卷积。通过实验验证了本文改进的轨道异物检测算法相对于原始YOLOv3算法具有更高的检测准确度,模型更小,推理速度更快。