针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题，提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先，基于ResNet-101基础网络结构来构建多尺度特征金字塔（FPN），以实现深、浅层特征信息的融合，从而提高了小尺度伤损的检测精度；然后，采用广义交并比（GIoU）损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题；最后，提出引导锚定的区域提名网络（GA-RPN）方法，从而解决了区域生成网络（RPN）生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中，基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充，解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明，所提改进方法对钢轨踏面块状伤损检测的平均精度均值（mAP）可达到82.466%，相较于Faster R-CNN提高了13.201个百分点，能够更加准确地检测钢轨踏面块状伤损。