铁路轨道异物入侵作为造成列车事故的重要原因,一旦异物入侵铁路轨道,势必会对列车的运行安全造成极大破坏甚至威胁乘客生命安全,因此实现对轨道入侵异物的检测跟踪对行车安全至关重要。随着高速列车的快速发展,列车的安全性越来越受到人们的重视。高速列车行驶速度很快,一旦与轨道异物发生碰撞,必然对列车和乘客造成不可估量的损失,因而识别出轨道入侵异物以及异物跟踪乃至异物运动轨迹趋势预测对提高列车行车安全和预警能力具有至关重要的作用。论文在广泛搜集、阅读和分析国内外有关铁路异物侵限方面最新文献和成果的基础上,研究了图像去噪、背景建模、异物检测、目标跟踪和轨迹预测等方面的基本原理和方法,给出了铁路异物侵限涉及到的计算模型和实现算法。针对铁路轨道异物侵限的问题,文章提出了一种改进图像去噪算法,通过改进的混合高斯模型算法进行前景目标识别检测,同时利用BP神经网络修正交互多模型跟踪算法实现了轨道异物目标跟踪定位并减小了跟踪误差,搭建的Elman神经网络模型实现了异物目标轨迹预测,通过实验分析,该模型及方法可以有效解决铁路异物侵限的检测、跟踪与轨迹预测方面的问题,达到实时监控。首先本文介绍了常用的各种小波去噪算法,总结前人的理论基础经验方法,提出了一种基于小波变换的阈值自适应寻优去噪算法,并进行了仿真实验。为后续实验提供了理论基础。然后针对野外复杂环境下轨道异物识别检测问题,提出基于小波变换的像素过滤思想改进混合高斯背景模型,构建背景模型。具体为提出了一种改进小波变换算法,采用结合自适应Bayes Shrink阈值估计方法和模板像素替换的方法进行像素过滤,达到背景自适应更新的目的。为解决异物目标跟踪准确率低的问题,理论分析了Kalman跟踪滤波线性化误差产生的原因,提出了利用BP神经网络算法修正交互多模型跟踪算法跟踪过程中的非线性误差,实现了轨道异物目标准确跟踪。为了对机动状态下的异物目标轨迹进行准确预测,以前期跟踪数据为训练样本,利用Elman神经网络搭建了目标轨迹预测模型,实现了对轨道异物目标的轨迹预测。最后通过实验验证,对含有高斯噪声的图像信息而言,本文所提去噪方法具有更好的去噪效果。对基于小波变换的像素过滤思想改进的混合高斯背景模型进行仿真,实验表明,改进混合高斯背景模型在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点。利用BP神经网络对IMM模型进行非线性误差修正,表明本文所提跟踪算法与现有算法相比有更好的跟踪效果,降低了跟踪误差。建立的Elman非线性神经网络预测模型具有较好的预测精度。