Este proyecto investiga, desarrolla y evalúa un sistema para la detección de personas y/u objetos en vías ferroviarias a tiempo real. Después de la revisión de posibles alternativas, ideas y tecnologías existentes se han identificado técnicas de detección en imágenes por sustracción de fondo como MOG2 (algoritmo de segmentación primer plano/fondo basado en mezclas gaussianas), GMG (combinación de estimación estadística de la imagen de fondo y segmentación bayesiana por píxel), KNN (vecinos más próximos), CNT (basado en el recuento) y técnicas de clasificación de objetos mediante varias CNNs como las últimas versiones YOLO. Estas técnicas permiten clasificar trenes, personas y objetos de gran tamaño, implementando una novedosa estrategia para mitigar la oclusión ocasionada por la perspectiva de las cámaras usadas y la conjunción de las dos técnicas que generan las alarmas y pre-alarmas. Para evaluarlo hemos implementado un sistema de control y notificación automatizado con la fusión de técnicas actuales de VxC con unas métricas de 15 FPS de media por video y de latencia por procesado de fotograma de 0,54 segundos, cumpliendo con las expectativas en cuanto a su rendimiento y con respecto al análisis de efectividad y viabilidad del sistema en régimen de normalidad/anormalidad. El sistema obtiene ciertas mejoras en el rendimiento sobre los sistemas actuales, lo cual permite anticiparse a los accidentes y proporcionando más información al operador. Todo esto, da como resultado que el sistema propuesto funciona, es viable, eficaz y económico.