安全是铁路运输的生命线，伴随着高速、大密度和重载列车的开行，铁路运输的安全受到了严峻考验。预防为主和综合治理一直是铁路部门的指导方针。在重载、疲劳磨损和外界环境影响下，轨道表面产生的缺陷会对行车安全造成很大威胁。由于轨道地形复杂和线路较长，人工检测存在很多危险和效率较低，故轨道表面检测技术研究方向应从人工检测向自动化检测技术方向转变。为了提高缺陷检测的速度和精度，论文设计了一个视觉检测装置，实现了钢轨表面缺陷的自动化检测与识别。论文首先介绍了课题的研究背景及意义，简述了国内外轨道检测的研究现状及本文的主要内容和组织结构。然后概述了机器视觉系统的组成和应用领域，设计了一套钢轨表面的缺陷检测装置，并对其中的光源、相机、光学镜头、照明方案、机械构造、采集与电气控制系统等几项关键技术进行详细分析。在噪声和外界因素干扰下，采集的钢轨图像无法直接用于缺陷的检测识别处理，因此需对图像进行预处理操作。首先，对钢轨图像进行图像增强和滤波处理，针对传统图像滤波算法的研究，论文提出了一种自适应中值滤波算法。其次，提出了一种图像剪裁算法实现了轨道表面区域定位，减少了后续图像处理的运算量。最后，图像分割算法的研究为后续缺陷检测提供了理论基础和算法支持。针对采集的钢轨表面图像，论文提出了两种缺陷检测流程：基于逐列扫描的缺陷检测和基于边缘的缺陷检测，并筛选出了最优检测算法。然后对缺陷信息进行边缘追踪和特征计算，并通过构建BP神经网络来实现裂纹缺陷和疤痕缺陷的分类。实验结果表明，论文提出的检测算法能够快速、准确的检测和识别出钢轨表面的缺陷信息，基本满足了实验检测要求，具有一定的实际参考价值。