目前,人工智能在电力行业得到了广泛的应用,基于机器视觉输电线路巡检是其中的一种典型应用。通过无人机采集线路图片,然后采用人工智能方法对图像进行分析处理,对线路的异常进行判别。系统中,输电设备的识别和故障检测是其关键技术之一。输电线路巡线图像检测目标主要包含绝缘子、防震锤和间隔棒三种输电设备,针对输电设备的识别,提出了基于集成学习和基于深度学习两种类型输电设备识别算法。并针对绝缘子自爆缺陷检测提出了一种基于形态学的缺陷检测算法。在基于集成学习的识别算法中,采用所提出的候选框生成算法获取输电设备的候选框;并设计一种基于集成学习的分类器对候选框截取的图像进行检测;提出一种冗余预测框消除算法除去检测过程中产生的多余预测框;实现输电设备识别。实验证明所提出的冗余预测框消除算法能更好地筛选处定位框,检测精度提高了0.03。所提出的基于集成学习识别算法相比于其他的基于浅层分类器的检测方法更具有优势。在基于深度学习输电设备算法中,以Faster RCNN作为基础框架,采用改进的残差网络作为其特征提取网络。并提出一种聚类算法对样本的标记框进行分析,以获取网络中的预设锚尺寸。实验证明该聚类算法能使得模型对输电设备检测的m AP值提高0.83%。所提出的深度学习算法相比之下具有更强大的输电设备识别能力。在输电设备识别的基础上,对绝缘子的自爆缺陷进行检测,提出了一种基于形态学的绝缘子缺陷检测算法。首先提出一种图像分割算法将绝缘子从目标图像中提取出来。然后提出绝缘子空间形态调整算法将绝缘子形态归一化,简化检测过程。最后建立数学模型描述绝缘子的状态,实现绝缘子的缺陷检测。该算法不仅能够有效定位绝缘子的缺陷位置,还能检测绝缘子的损伤程度。采用现场采集的数据集,对基于集成学习和基于深度学习的两种类型输电设备识别算法以及基于形态学的绝缘子缺陷检测算法进行了测试和验证,结果表明:新提出的三个算法均优于其它对比算法,具有一定的学术创新性和工程应用价值。