在通过式火车检测中,车底异常是火车检测的一个重要环节。火车车底存在的众多不安全因素中,螺栓的重要性尤为凸显。以往对于火车车底的检测方式是工作人员进入车底以肉眼进行人工检测,这样的方式费时费力。因此,为了提高准确性和安全性,同时能够动态地检测火车车底,节省人力物力,设计一个合理有效的车底异常检测方案很有必要。当前,工业线阵CCD (Charge-Coupled Device)照相机拍摄车底图像的技术已经相对成熟,对于数字图像处理的方法也层出不穷,采用基于火车车底图像处理的方式来实现螺栓的识别检测以及车底异常的预警显示可见其可行性。故本文基于以上研究背景和意义,大量调研适用于火车车底图像的特征提取算子,对比分析后确认使用SIFT (Scale-Invariant Feature Transform)及其改进算法结合神经网络的方法来实现火车车底图像的螺栓识别目的。本文针对由工业CCD照相机拍摄获得的火车车底图像螺栓的特点：局部不变性。前期展开了大量的特征提取算子调研,最终确定使用SIFT特征提取算子,因其对旋转、缩放、局部不变性都有较好的适应性。随后,本文重点研究了基于SIFT特征提取算子的火车车底图像异常和螺栓识别方法。通过SIFT特征提取算子提取初步特征、RANSAC (RANdom Sample Consensus)获得精确匹配特征点、图像的旋转和缩放矫正、模板匹配等步骤的处理获得故障的标记和显示,从而实现火车车底图像的异常识别。通过SIFT特征提取算子提取前期制作的大量正负螺栓样本的特征点,结合SVM(Support Vector Machine)训练器的反复训练,获得了鲁棒性较强的分类器,从而实现判别火车车底图像的螺栓异常。本文研究设计的2种基于SIFT特征提取算子的火车车底图像异常和螺栓识别方法可以自动提取图像中的特征信息并建立完善的特征描述子,通过阈值参数的设置可以主动获得匹配特征点,期间会自动去除错误和重复匹配特征点,可以求得待检图像与标准模板图像之间的旋转角度以及缩放的比例,自动校正待测图像至模板图像的方向和尺寸大小,通过差的平方和以及互相关度来定位异常部位,从而建立螺栓图像的正负样本库,通过SVM训练器训练获得鲁棒性较强的分类器,最终可以实现螺栓的识别和标记。实验结果表明：基于SIFT特征提取算子的异常识别方法对于火车车底图像的旋转、缩放以及局部不变性皆能很好的适应；基于SIFT特征提取算子结合SVM分类器的螺栓识别方法对于火车车底多种类螺栓皆能很好的识别,识别率达到了94%以上。本文研究设计的2种方法对于图像中的特征点提取快速而且准确,建立的特征描述子完备,算法的运行时间短,占用计算机的内存小,去除错误和重复匹配特征点高效,异常部位定位准确,螺栓识别标记清晰。