近年来,随着输电通道外部环境不断发生变化,通道内输电线路遭外力破坏事件频发。外力破坏问题成为电网企业保障电力供给面临的严峻考验。为保障设备、电网安全,电网公司花费了大量财力物力通过人工巡检和视频监控的方式对输电通道进行维护与检修。由于人工操作的局限性,在巡检和监控过程中,存在灵活性低,漏检率多等问题,无法及时有效地解决输电通道内的外破隐患问题。随着基于深度学习的特征提取技术飞速发展,基于深度学习的目标检测技术突破迅猛,并广泛应用于工业、农业、医疗等领域。基于深度学习的目标检测技术能够从自然图像中提取到高层语义信息,精准定位到目标出现的位置与类别,相比于传统的人工巡检,该方式有着检测精度高且稳定、处理速度快等优势。本文将目标检测技术应用到输电通道的智能巡检中,构建输电通道隐患检测模型。该模型对输电通道内的多路摄像头数据中的挖掘机、塔吊、推土车和吊车四类隐患目标进行检测,能够帮助巡检人员及时发现输电通道内的隐患信息,方便工作人员及时处理应对。实际应用中,由于输电场景下存在着大量的摄像设备需要模型检测,对模型的检测效率有着较高的要求,因此本文采用轻量级特征提取网络与一阶段轻量级检测网络的组合方式来提升模型的检测效率,并使用数据处理技术提升数据集质量来提高模型检测精度。本文主要完成以下工作:（1）本文对输电通道隐患数据集进行清洗与分析,从图像压缩、图像对比度、噪声处理和数据增强等角度,对目标数据集进行了预处理操作。实验结果表明本文所使用的预处理操作能够有效地提升检测模型在目标场景下检测的准确率。（2）针对模型应用场景检测速度的要求,本文使用轻量级MobileNet-V3作为backbone网络,使用一阶段轻量级检测网络SSDLite作为检测模型。此外,本文还使用K-means聚类对检测模型的锚点框进行设置。实验结果表明,使用轻量级特征提取网络的SSDLite检测模型虽然在检测精度上略有下降,但检测速度却有着显著的提升。此外,实验结果还表明通过K-means对锚点框进行设置后能够有效地提升检测精度,适用于落地场景。本文使用了推理加速模块TensorRT对模型进行加速,进一步提升了模型的检测效率。（3）本文设计了检测模型的原型系统（仅包含基础的功能,并预留接口）,在PC端使用C#的WPF框架构建界面程序,后端使用Python语言提供检测服务,对模型进行系统集成。并在系统层面,采用并行检测的检测策略进一步提升系统的检测效率。