铁路系统凭借其安全快速、节约资源、保护环境、受气候和自然条件影响较小、运输体量大等优势,在当前的交通运输体系中处于举足轻重的位置,为经济和社会快速的发展,承担着非常重要的作用。由于我国铁路系统的日益发展,列车运行次数越来越多、运载量越来越大、运行时速也越来越快,在这种背景下,铁轨受到的压力和磨损会不断增加。再加上铁路的轨道所处环境较为复杂,长时间受到外部自然环境的腐蚀,所以铁轨表面极易产生缺陷。如果没有尽早发现与维护,会导致缺陷恶化,从而给列车的安全带来隐患。为了实现铁路系统安全运营以及列车安全运行的目的,必须对铁轨进行有效、快速的检测。现有的铁轨缺陷检测技术主要有人工目测法、电涡流检测法等无损检测方法,这些方法存在一些不足和缺点,无法适应当今铁路快速和高效的缺陷检测要求,因此,本文基于机器视觉技术和图像处理技术,设计了一套铁轨表面缺陷视觉检测识别系统,主要研究工作如下:首先,简述了本课题研究的背景和意义,简述了目前主要的铁轨缺陷检测技术以及它们的不足,分析了国内外检测设备和国内外视觉检测技术的研究状况。其次,设计了基于机器视觉的铁轨表面缺陷检测系统。分析了检测对象和铁轨表面常见缺陷类型以及它们产生的原因和危害,阐述了视觉检测系统的总体功能,设计了系统的机械结构以及成像系统,重点设计了成像系统中的相机、光源、镜头、照明方案等硬件设备的选型和运动控制系统的实现。接着,分析了铁轨图像的特性,为了去除图像中铁轨两边的道砟、轨枕、砂石等非铁轨杂物部分,提出了一种基于灰度值垂直投影最小值的铁轨区域提取算法,大大提高了后续图像处理的效率。研究实现了铁轨图像预处理算法和缺陷检测分割算法。针对传统的阈值分割算法存在分割速度慢且易受铁轨图像噪声的影响从而导致算法鲁棒性较差的问题,本文提出了一种基于图像差分和拉依达准则改进的阈值分割算法。该算法通过将背景建模后的图像与滤波去噪后的图像进行图像差分,以此来增强图像的缺陷区域,克服铁轨曲面反射不均、铁轨表面铁锈、污渍、阴影、以及外界自然环境等噪声影响,然后使用基于拉依达准则改进的方法选取差分图像的阈值,对差分图像进行阈值分割,将缺陷从背景中分割出来。实验结果表明,该算法能快速高效地分割出铁轨的表面缺陷,分割平均运行时间6.19ms,分割正确率达到89.9%。然后,研究了铁轨表面缺陷的分类识别算法。分析了铁轨表面缺陷的特征,选择了合理有效的特征作为后续分类器的输入特征向量,对ELM算法进行了训练得到了分类器,通过分类器可识别出铁轨表面缺陷的类型。实验结果表明,该分类算法能有效的识别出铁轨表面的缺陷类型,综合准确率达到95.76%。最后,在VS 2017集成开发环境下,使用OpenCV软件库,采用C++编写算法代码和Qt设计人工交互界面,设计并开发了本课题的视觉检测软件系统,该软件系统能有效地实现铁轨表面缺陷的检测与识别。