随着我国高速铁路运营里程的增加,铁路异物侵限检测技术对保证高速列车运行安全具有重大研究意义。目前基于机器视觉的铁路异物侵限检测技术成为主要研究方法,尤其是基于有监督学习的识别算法应用较为广泛。但现有基于有监督学习的铁路异物检测算法需要大量标记样本,而在实际应用中无法获取所有类型的异物侵限样本,并且人工标记样本费时费力,对于训练样本中没有的异物侵限形式还会造成漏报。针对上述问题,本文设计了一种基于生成模型网络的铁路异物侵限检测算法,该算法无需训练异常样本就能实现铁路异物侵限检测,对于提高异物侵限报警的准确性,减少非已知样本的漏报具有重要意义。首先,以实际铁路场景视频作为来源构建基于具有不同光照条件、不同背景的铁路场景图像数据集。由于在铁路场景图中出现的异物所占像素比例小难以进行特征提取,利用图像再分割算法对样本图像进行再分割操作,利用分割后的图像建立包含约20000张图像的样本数据库用于网络模型的训练与测试。其次,基于生成模型算法框架提出一种融合自编码器和生成对抗网络的编码-解码-编码的结构。将输入图像映射为低维的潜向量,并利用得到的潜向量重构出生成图像,通过比较生成图像和输入图像在潜向量维度上的差异实现异常检测。论文针对每一层网络结构进行了具体设计,对比选择相关网络参数,并提出一种新的损失函数用于网络模型的优化,最终构建一种最优的网络结构用于异常检测。利用MNIST和CIFAR10这两个公共数据集对本文提出的生成模型算法进行了验证,并与现有生成模型进行对比实验。测试结果表明所提出的算法能够生成更为逼真的图像,并且提高了异常检测的实时性。最后针对铁路数据集将本文提出的算法进行了网络结构参数设计和测试,仅利用正常样本进行训练来测试铁路异物侵限的检测效果。通过分析不同铁路场景的实验结果,实现了在无异常样本和标签样本的前提下达到95.42%的异物检测准确率,漏检率仅为0.3%。同时针对检测到的异常图像设计了异物标注算法,实现异物标注,并将分割后的图像重新整合成铁路场景图以便于在铁路实际运营过程中应用。本文提出将生成模型应用到铁路环境异常检测系统通过一种无监督学习的方式规避了现有算法的不足之处,在解决铁路异物检测的漏报问题、保证实时性等方面体现一定的优势,在实验结果中表现出较好的分类效果。