随着铁路交通的快速发展,铁路系统的正常运行对铁路交通安全保障工作十分重要。在列车运行过程中,异物侵入铁路周界可能会引发严重的交通事故,继而造成人员伤亡和经济损失。因此,在铁路周界内实现快速有效的铁路异物检测功能对保障铁路交通运行安全至关重要。随着深度学习的发展,基于深度学习的目标检测算法由于具有检测效果好、抗干扰能力强、受环境噪声影响小等特点,在实际应用中取得了较好的表现。但是,在夜晚和特殊天气条件下的铁路场景中,由于缺乏足够多的学习样本,使得算法模型训练不充分,检测效果不能满足铁路异物检测的实际要求。本课题结合迁移学习思想和深度学习检测方法,提出一种基于Cycle GAN(Cycle Consistent Generative Adversarial Networks)的样本增补方法,解决铁路场景标记样本数量稀少的问题,从而提升检测效果,实现对铁路场景侵限异物的有效检测。论文首先设计了基于迁移学习和SSD(Single Shot Multibox Detector)算法的铁路场景异物检测算法架构。然后收集了铁路场景、夜晚场景和特殊天气场景下的样本数据,包含有目标样本与无目标样本两类图像样本。随后使用Cycle GAN网络实现铁路场景样本增补工作,并进行图像处理操作和样本标注工作,完成夜晚和特殊天气下的铁路场景样本数据集增补工作。之后使用该数据集对SSD模型进行训练并进行实验仿真。实验结果表明,利用Cycle GAN网络实现数据增补后,SSD算法的夜间目标检测率提高了17.8%,能够在夜晚铁路场景下取得较好的检测效果。最后,设计并开发了基于Nvidia TX2嵌入式处理器的铁路异物检测系统,实现了从算法设计到实际应用的完整工作。本文在铁路场景异物检测工作中,将迁移学习和深度学习算法相结合。利用Cycle GAN网络实现铁路场景下的数据增补工作,扩充了铁路场景样本数量,解决SSD算法由于铁路场景训练样本数量过少导致的检测效果不佳的问题,最终实现了SSD算法在夜晚铁路场景下的有效检测。在此基础上,本研究还设计开发了嵌入式铁路异物检测系统,具备了实际使用的价值。