保障列车行车安全是铁路运营的前提,列车与运行前方物体冲撞是铁路安全事故的主要类型,为保证安全运行须对列车前方运行环境进行检测。现有且在用的铁路环境检测方式主要为人工巡线、易发生事故点安装视频监控或在山体桥隧等处架设防护网,显然,现有的防护手段已不能满足需求。本文提出图像和雷达数据融合的方式,随列车运行实时检测前方运行环境,及时有效检出前方障碍物,减轻或避免碰撞事故的后果。多传感器融合检测可弥补人眼视距受限、定点监控范围小、单传感器检测可靠性不足的弊端,对保障列车运行安全有着重大的实用价值。通过详细分析铁路运行环境的特点,将障碍物检测分为三个模块。本文的主要研究内容如下:对车载相机拍摄的列车前方视频图像进行分析,设计基于LSD（Line Segment Detector,直线分割检测）和最小二程曲线拟合的钢轨检测方法。该方法采用多段直线近似曲线的思想,得到像素坐标下光滑的钢轨曲线模型。以SSD（Single Shot Multi Box Detector,单击多发检测器）算法为核心,搭建本文物体识别深度学习网络。对设定的物体进行充分训练,将拍摄图像代入网络进行物体定位识别。归纳侵限物种类为单边侵限和贯穿式侵限两类,以物体识别定位框角点坐标和图像限界曲线进行对比得到物体侵限判断结果。设计雷达误差校正方案,以标定点测量值为参照,对标定点待测目标进行多次测量,分析本研究所用雷达FD4-400CJ10雷达的量测特性。经误差分析后对误差校小的实测纵向距离不做校正,以此测量值为参照,横向测量误差在水平角±7.2°的范围内与纵向距离值呈严格的线性关系。结合限界标准及误差补偿,构建雷达坐标系下的侵限检测区域,判别位于该区域内的目标为侵限物。以实测车载GPS（Global Positioning System,全球定位系统）数据为基础,通过WGS-84坐标到高斯平面坐标的转换,得到实测GPS数据的平面坐标。分析GPS产生错误数据的原因,设计野值剔除方案,得到较为精确的隶属于线路的实测转换坐标。将线路分为曲线线元、直线线元、直线到曲线过渡线元,并将GPS实测转换坐标经斜率差分类后划分于不同线路段,以最小二乘法得到分段线元模型。结合雷达检测横向误差和限界标准,计算分段线元的左右边界曲线。雷达通过GPS数据进行线路地图的定位,读取该线路点前方的限界数据,并将雷达检测数据经坐标变换与该限界数据进行对比,得到雷达的实时侵限检测结果。通过机器视觉检测时间和雷达检测时间的对比,以雷达数据帧为基准,采用最近时间匹配将最近时间的图像帧检测结果与雷达检测结果进行对应匹配。通过成像原理分析、相机标定、位置测量构建雷达到匹配图像帧的映射模型。设定17:18的雷达映射点感兴趣区域,计算视觉检测结果与感兴趣区域的重叠面积比例,判断雷达检测目标与图像检测目标的一致性,对融合检测结果进行两种危险等级划分。测试结果表明,多传感器融合检测相较于单传感器检测,其适用性更为广泛,克服了机器视觉在光照不足失效的缺点,弥补了单雷达检测无法识别物体种类的缺陷。在本文的测试场景下,其综合检出率约为88.67%,漏检率约为4.28%,检测性能相较于单传感器更好。