在变电站的日常红外检测工作中,电压致热型设备由于温升不明显,故障判断难度较大,并且红外图像受到背景复杂,尺寸多的影响,加之红外图像质量的影响导致红外图像特征提取困难。另外,大多数现有的检测工作依靠人工判别,且存在判断分歧,而且变电站内电压致热型设备种类繁多,不一样电气设备的关键部位各个故障所呈现的形式不同,需要处理的方式也有所不同,电压致热型设备故障诊断的难度进一步提高,尤其是目前代替人工判别的研究中,许多只利用单一的特征来表征热图像中的故障特征。针对此类问题,本文首先分析了变电站内避雷器、绝缘子、变压器高压套管、CT和CVT电气设备的结构、红外热像图的特征以及故障类型;其次提出基于优化后的YOLOv4算法实现了电压致热型设备关键部位的快速识别和定位,实现故障目标部位的自动分割并保存;然后对分割目标部位的图像进行预处理并提取其颜色、边缘和纹理特征,继而通过DCA融合算法对三种特征进行融合,得到多特征融合向量,最后根据建立的数据集,利用SVM实现电压致热型设备故障的识别和分类。根据电压致热型设备故障分类模型以及精确测温判断方法建立了电气设备的热故障诊断方案,并通过Matlab APP designer搭建了软件平台。实验结果表明,该方案在绝缘子、避雷器等电压致热型设备的红外图像故障分类中具有很高的性能,而且同样适用于电流致热型设备的故障诊断,并且优于仅利用单一特征的方法。为电压致热型设备故障检测提供了条件和新的思路,并为变电站实时精确监测打下了基础,诊断的准确度达到预计要求,实现了电气设备热故障诊断的智能化与精确化。