截止2019年,中国铁路总里程已达13.2万公里,其中高铁总里程突破了3.5万公里。铁路已经成为了中国人民日常差旅出行的主要交通工具和各区域间物资运输的重要方式。随着我国铁路客运高速化、快速化,货运重载化、快捷化的趋势,轨道线路的安全运行问题日益突出,使得轨道基础设施的安全检测需求日益增加。其中轨道异常物体检测是轨道安全检测中的重要任务之一,目前大多数铁路中的异物检测研究都针对于一些大型入侵物体,而对于道床上异物检测主要还是靠人工巡检。本文以无砟轨道道床上的异物为研究对象,探索基于视觉的检测方法在轨道异常物体检测任务中的应用,研究不同的学习方法在异物检测任务中的优势和不足。本文提出的基于对称性度量学习的轨道异物检测方法弥补了目前现有方法的不足,提高了检测系统的泛化能力,具有重要的理论意义和实用价值。本文的主要工作有以下:(1)提出了基于监督式学习的轨道异物检测方法。针对于当前没有大型无砟轨道异物数据集的问题,收集了多条线路轨道图像,并对之进行数据增强,构建了一个大型数据集。使用多种监督式的目标检测深度学习方法进行检测。实验结果验证监督式深度学习方法在训练过的异物种类检测任务中的有效性。(2)提出了基于无监督学习的轨道异物检测方法。在真实轨道图像数据中,真实异物数据样本较少,种类无法穷举,因此监督式的学习方法存在无法检测未知的异常类别,训练数据缺乏等问题。针对这些问题,本文提出了基于自编码器重构误差的无监督异物检测方法。该方法仅使用正常物体的数据训练一个自编码器模型,利用正常物体和异物之间的重构误差分布差异对候选物体进行异常性识别,实验结果表明无监督方法在未训练过的异物种类检测任务中的有效性。(3)针对基于自编码器方法的准确率较低的不足,提出了一种基于对称性度量学习的无监督方法来检测轨道异常物体。由于轨道图像具有关于钢轨中心线几何对称,正常物体反复成对出现,异物出现频率低,与其对称区域差异大等特点。本文利用无异物的轨道图像训练一个相似性深度度量模型,学习候选物体与相对应的对称区域的相似性,通过度量相似性分数来判断其是否为异常对象。实验结果验证了基于对称性度量学习的无监督方法取得了很好的准确率和召回率。(4)搭建了一个易用的轨道异常物体检测系统平台。系统融入了本文提出的监督式和无监督式两类模型,以及图像预处理,数据存储等技术。