铁路扣件作为连接铁轨和轨枕的关键零部件,对铁路运输安全起着至关重要的作用。在实际运行中,铁路扣件由于运行车辆的震动等原因,经常导致扣件丢失或断裂等情况发生,因此,对扣件运行状态的检测事关整个铁路的安全。如果全部采用传统的人工方式对铁路扣件状态进行检测,需要大量的人力物力,这对于铁路的发展是非常不利的。由于基于机器视觉的方法进行扣件检测方便高效,目前成为国际上主流的检测方式。本文主要研究利用计算机视觉技术对扣件进行检测,通过计算机视觉采集数字图像,结合相应的处理算法,提取扣件图像的特征,提出运用改进的LBP结合LDA主题模型实现扣件状态的识别。本文主要的工作内容有：1.对铁路检测现状进行了阐述,详细介绍基于计算机视觉的扣件状态识别方法,针对扣件图像的特点,研究了扣件特征明显化的预处理方法。2.针对原有LBP编码算法不能有效突出图像边缘特征的问题,提出了适合扣件图像的LBP编码算法。该方法利用二阶导数突出图像边缘特征的思想,首先,计算局部邻域像素的梯度均值以及局部邻域像素与原始中心像素的差值；其次,将该梯度均值作为中心值域,再将所得差值与局部梯度均值进行比较,得到改进的LBP编码。实验结果证明,改进的LBP编码能很好的反映图像梯度的变化关系,让图像的特征更加明显,编码后的图像更有利于对扣件进行分类,提高了扣件分类的准确性；3.针对LBP编码后丢失了扣件图像位置信息这一缺陷,通过融合扣件的结构信息,将编码后的图像进行分块来保留位置信息；通过图像二次分块,添加词包对应的视觉单词的位置对应信息,改进LDA的词包构成,实现了LBP编码图像的LDA模型主题描述。最后通过SVM分类器实现了扣件图像正常与不正常的状态识别。实验表明,通过结合改进的LBP编码以及添加了LDA词包结构信息的方法,能够更加准确的识别扣件正常和非正常状态。