Los defectos en la superficie de las vías no solo generan ruido entre las ruedas y las vías durante la operación del tren, sino que también pueden causar accidentes correspondientes. La mayoría de los métodos de detección existentes son manuales, lo que resulta en un proceso que consume mucho tiempo, es laborioso, ineficiente y subjetivo. Con el desarrollo de la tecnología, la detección automática reemplaza a la detección manual, lo que reduce la mano de obra, mejora la eficiencia y evalúa objetivamente el estado de la superficie de las vías, lo cual está en línea con el propósito de la producción inteligente moderna. La detección automática de un solo sensor generalmente no es suficiente para completar el reconocimiento, sino que se necesitan instalar y adaptar múltiples sensores en el vehículo de servicio, lo que crea dificultades para las condiciones de prueba en el sitio. Por lo tanto, con el fin de superar estas deficiencias y adaptarse a las características de vibración reales de los vehículos de servicio, se propone en este documento un método de reconocimiento de defectos en la superficie de las vías basado en la codificación de imágenes en escala de grises VMD optimizada y DCNN. En primer lugar, se propone el método de optimización del número de modos de VMD basado en la curtosis del máximo envolvente. El VMD después de la optimización de parámetros se utiliza para descomponer la señal de vibración del eje de cuatro canales, y se extrae el componente con el mayor coeficiente de correlación entre cada componente de modo propio y la señal original. En segundo lugar, los componentes IMF filtrados se organizan en secuencia y se codifican en imágenes en escala de grises. Finalmente, se diseña la estructura de DCNN, se introduce el conjunto de entrenamiento en la red para su entrenamiento, y el conjunto de prueba verifica la efectividad de la red y realiza el reconocimiento de defectos en la superficie de las vías. La precisión de la prueba del conjunto de datos ferroviarios medida en el vehículo de servicio es del 99.75%, y los resultados muestran que este método puede identificar con precisión la categoría de defectos en la superficie de las vías. Después de agregar ruido gaussiano a la señal original, la precisión de la prueba alcanza el 99.20%, lo que demuestra que el método tiene buena capacidad de generalización y rendimiento anti-ruido. Además, este método puede garantizar la operación segura de los vehículos sin agregar nuevos equipos, lo que reduce los costos operativos y mejora la operación y el mantenimiento inteligente de las vías.