输电线路中许多电力部件的运行状态直接影响着输电安全,对航拍图像进行语义分割可以为后期的其他高级视觉任务提供技术基础。本文以输电线路航拍图像为研究对象,针对目前输电线路航拍图像关键部件分割的研究现状及存在问题,应用深度学习方法,完成了以下的工作:在利用FCN算法对输电线路航拍图像进行语义分割的过程中,需要构建一个输电线路航拍图像语义分割数据集实现对深度模型的训练。为了解决目前输电线路航拍图像没有语义分割数据集可以训练深度模型的问题,构建了一个输电线路航拍图像语义分割数据集,并研究了PASCAL VOC、MS COCO、Cityscapes等相关语义分割数据集的标注方式与标注方法,采用半交互GrubCut算法完成了数据集的标注。当输电线路航拍图像中关键目标材质,光照等因素发生变化时会造成计算特征时发生偏差,影响传统分割方法的精度。为了解决传统分割算法过程复杂,人工选取特征对多类目标普适性较低,提出了基于FCN的输电线路航拍图像语义分割方法,并利用迁移学习的方法,对深度网络进行训练。实验表明,FCN可以实现输电线路关键目标端到端的语义分割。针对FCN模型对输电线路航拍图像中关键目标还存在分割精度相对较差,边缘缺失等问题。在研究FCN结构的基础上,在深度网络提取特征的采样阶段,采用多尺度的膨胀卷积,并连接条件随机场模型进一步优化分割效果。实验表明,改进的FCN相较之前平均像素分类精度提高了2.43%,平均交并比提高了3.58%。