动车组是我国重要的交通工具。近年来,随着动车组的普及和提速,安全问题得到人们的关注。对动车组的异常识别是动车组运营过程中的重要环节。目前,异常识别仍以人工为主,人力成本高且需要停车作业,无法实现即时检测。本文采用机器视觉技术,对动车组车体图像进行采集、处理,实现了对动车组自动智能的异常识别。整个检测过程无需停车,因此效率高实时性强。通过本系统辅助人工作业,可大大降低工作量。本文首先针对动车组车身长等特点设计了动车组图像异常识别系统,并基于MFC框架完成了软件设计。本系统可以完成车体拼接和车体对齐等一系列操作,通过与标准动车组图像(无缺陷的历史过车图像)进行结构相似度的比对完成当前过车的差异检测,这些差异即为当前过车存在的潜在危险。然而检测出的差异中,大部分是由车体上的水渍、油渍、泥渍和亮度差异等造成的误报警。由于误报警并不会对列车行驶造成危险,因此需要将它们从异常目标中去除。由于上述差异没有稳定的特征并且车体图像特征提取困难,传统图像处理及模式识别方法在对误报警进行识别时无法兼顾到算法的鲁棒性和普适性,因此本文将深度学习引入到动车组图像异常识别系统中。与传统分类任务不同,差异分类网络的输入为两幅图像——基线图和当前图。神经网络首先需要检测出两幅图像的差异信息然后进一步识别是否存在安全隐患。为了整合两幅图像的信息,本文提出了两种卷积神经网络模型进行差异分类。同时为了提高网络的分类性能,还提出一种多形状训练策略,实验证明这种策略可以大幅度地提高差异分类网络的各项评价指标得分。差异分类是一种通用的方法,它不局限于动车组图像的差异分类问题上,可以运用在任何需要两个状态进行决策的图像识别任务中。关键部件在动车组运行过程中起着关键的作用。由于故障案例少,所以无法采用深度学习技术进行分类。考虑到关键部件的异常主要是由于螺栓丢失引起的,因此本文将关键部件的异常识别任务转化为对螺栓的检测。由于在动车组车体其它部位也存在着大量螺栓,因此可以通过对非关键部件螺栓检测的学习提升网络的泛化能力,最终提高网络对关键部件螺栓检测的性能。