在科技发展与社会生活水平不断提升的背景下,电力系统的应用面、重要性和影响力越来越大,高压输电线出现故障的情况也屡见不鲜,尤其是最易引起电力系统崩溃的三种故障,其中包括:高压输电线断股,高压输电线异物附着,高压输电线覆冰。为了便于及时、有效地发现和修复此类故障,本文针对形态多变、尺度不一、背景复杂且检测难度较高的输电线故障,探寻先进、适用的深度学习目标检测技术。具体主要针对高压输电线故障目标特征和特点,对常用SSD算法进行多方面改进,以提高SSD算法对高压输电线故障的检测性能。本文的具体工作和成果包括以下内容:（1）针对高压输电线故障图像具有复杂噪声背景的特点,本文选用深度残差网络进行特征提取,提出基于Res Ne Xt-50的SSD算法,以减小网络训练难度,降低原特征提取网络的冗余度,增强网络对高压输电线故障特征的提取能力。（2）针对SSD网络模型中低层特征层对故障特征表达性能较差,对小目标故障敏感度较低,从而造成检测精度欠缺的问题,本文通过特征融合的方式融合处理高低特征层信息,以便低层特征层学习到更多的特征信息。（3）同时,由于SSD网络模型中低层特征层对特征信息的提取效果较差,因而容易出现对小目标故障特征信息提取的遗漏,产生小目标故障漏检的问题。对此,本文设计了特征增强和空洞卷积模块,以有效增强低层特征层的提取效果。（4）针对自制PASCAL VOC数据集数量不足、故障目标形态不够全面的缺陷,本文通过数据增强的方法有效模拟了多种故障目标在特征形状、航拍光线、背景内容等方面的变化,提高了故障特征的多样性,并通过测试准确率、均值精度m AP等评估指标评定算法性能。（5）通过多种检测模型的性能对比实验,验证了基于深度残差网络的SSD算法相对于Faster RCNN、YOLOv4和SSD（VGG-16）算法在整体上具有更好的检测性能;同时,该实验也验证了数据集经过数据增强后,可有效提高模型的检测准确性。通过SSD（Res Ne Xt-50）逐步改进后的性能对比实验,验证了最终形成的SSD改进算法在检测速度变化不大的同时,其检测精度得到有效提高,最后的m AP值达到97.55%,检测速度为41.6FPS。在整体上,其检测性能比目前常用的目标检测算法都好。