无人值守变电站作为变电站的未来发展趋势,其关键在于采用智能化手段实现无人值守的同时保证变电站的运行安全。目前无人值守变电站主要使用遥视系统进行巡检,依赖人工方式发现异常情况,但对于大量的现场视频,该方式会出现效率低下、处理不及时的情况,此外还会存在因工作人员注意力下降造成的误判问题,为了解决这些问题,本文提出采用深度卷积神经网络模型对无人值守变电站内的目标进行跟踪,不仅减少了对人工的依赖,还能在提高工作效率的同时提高跟踪的精度。本文的主要工作包括以下两个方面:本文在研究了基于卷积神经网络的目标跟踪算法——Siamese Network(孪生神经网络)及SiamFC(全卷积孪生神经网络)后,以SiamFC算法为切入点,提出一种改进的SiamFC算法来实现无人值守变电站的目标跟踪。SiamFC算法是一种端到端的目标跟踪算法,但该算法的预测框大小是固定的,无法实现尺度变化较大目标的跟踪。而区域推荐网络RPN可以通过候选框机制及边界框回归来调整预测框的大小和位置,使得预测框可以匹配跟踪目标的尺寸,因此本文将区域推荐网络RPN与SiamFC算法进行融合,提出了改进的目标跟踪模型,增强了模型对不同尺度的适应性。本文对改进算法与原始算法的实验效果进行了对比。首先搭建实验环境,然后使用目标跟踪领域常用的OTB数据集和VOT数据集扩充实验数据集,最后使用预处理后的数据集对模型进行训练和测试。实验结果表明改进后的SiamFC算法在准确性、鲁棒性及实时性三项指标上都优于原始算法,可以适应目标尺度的变化,实现了无人值守变电站目标的智能跟踪,为变电站的安全稳定运行提供可靠技术支撑。