为了提高小样本图像条件下列车轮对轴承故障检测水平，提出了一种基于多分辨率孪生神经网络（multi-resolution siamese neural network， 简称MrSNN）模型的列车轮对轴承表面缺陷机器视觉检测方法。首先，采用孪生神经网络（siamese neural network， 简称SNN）为基础模型框架，构建了包含不同卷积核尺寸及不同膨胀因子大小的多分辨率卷积融合模块（multi-resolution convolution fusion block， 简称MrCFB）来综合提取图像中的细节特征与轮廓特征信息；其次，采用通道和空间的双重注意力机制重新标定多分辨率特征权重，进一步增强模型的图像特征提取能力；最后，通过对轮对轴承正常、划伤、凹痕及剥落4类图像进行检测分析，完成了算法验证。实验结果表明，轮对轴承3类故障图像识别率为100%，正常图像识别率为95%，总体识别准确率为98.75%，识别准确率优于传统SNN和YOLO-V5等网络模型。