保持接触网及其附属部件的良好工作状态是高速列车安全运行的基本保障。由于高铁运行过程中各种定位承力支座不断受到电气冲击和机械应力的多重影响,这大大增加了其部件损坏的机率,如果定位承力支座发生故障,会直接损坏接触网设备甚至导致高速列车的骤停和威胁到车厢内人员的人生安全。及时检测到接触网上存在的缺陷对保证铁路的安全运行至关重要,现有检测接触网缺陷的方法可分为:人工巡检、非接触式物理检测和非接触式图像技术检测。但是人工巡检不仅费时而且极依赖巡检人员的检测经验,非接触式物理检测难以检测出细微缺陷,这两种方法均难以达到满意的缺陷检测效果。本文充分利用图像处理技术和深度学习的结合,开展基于深度学习的利用图像处理技术的方法解决高铁接触网中存在的紧固件缺陷问题。首先,分析了高铁接触网图像数据获取的方式、图像的特点、典型的缺陷类别等,针对采集到的接触网图像质量良莠参杂,存在约25%的异质图像,本文提出基于残差网络的异质图像剔除方法,为后续缺陷检测节约了计算机资源提高了检测速率;针对缺陷样本少造成的正负样本不平衡,本文提出了四种行之有效的缺陷样本增广方式。其次,分析接触网紧固件缺陷检测的特殊性,主要体现在缺陷往往依附在特定部件上,本文构建渐进性级联网络,由粗到精逐阶段先定位到特定部件再检测部件上存在的缺陷,实验结果表明该级联网络结构在高铁接触网紧固件缺陷检测上优于其他对比算法检测精度从例如faster RCNN的59.8%提升至86.7%。接着,针对同种部件间不同缺陷间视觉差异微小,缺陷特征分界面不明显,提出了反向注意力机制并结合特征金字塔模块,研究焦点特征提取方法,对缺陷区域特征进行放大和聚焦,对比实验证明了反向注意力模块有效地放大了缺陷间的差异,提高了0.7%的缺陷检测的精确度。最后,分析了紧固件缺陷检测中小目标对交并比敏感,提出了使用椭圆形检测标签替代通常的矩形框标签,实验验证本文提出的新型检测标签确实提高了紧固件小部件的检测精确度。