全面推进智能电网建设,是现阶段提升我国电网智能技术含量的重要措施。输电系统作为智能电网关键组成部分之一,必须对其中的各种部件进行定期检查以保证输电系统稳定运行,从而实现智能电网中输电线路的智能化监测与管理。输电线路中安装防振锤旨在降低电力线随风振动的频率,但其长期暴露在恶劣环境下易产生锈蚀、缺损等现象,提高智能巡检防振锤的质量对延长电力线使用寿命至关重要。近些年无人机被应用于电力巡检领域,逐渐成为电力巡检人员视觉和动作的扩展,并高效且安全地完成了之前耗时耗力的周期性巡检工作。然而,无人机巡检图像中的防振锤形态多样且体积较小,精确、快速地检测防振锤缺陷具有一定的挑战性。本文基于深度学习的目标检测技术,针对如何提高防振锤缺陷检测的精度和效率进行深入研究,主要研究内容如下:（1）为了满足防振锤缺陷检测网络训练过程中需要大量清晰的图像数据的要求,本文利用无人机巡检的输电线路图像构建了一个防振锤图像数据集（Dataset of Abnormal Vibration Dampers,DAVD）用于实验验证。DAVD中包含森林、山区、田野等多种复杂背景下的防振锤,并且每个防振锤可能是生锈、缺损或正常的。另外本文采用Gamma Correction、MSR、图像翻转等多种预处理方法对图像数据进行增强,以增加图像特征的多样性、提高网络的泛化能力。（2）针对无人机巡检图像中的防振锤形态多样且体积较小的特点,本文提出了一种PMA-YOLO（Parallel Mixed Attention-You Only Look Once）网络用于精确检测防振锤缺陷。具体来说,本文提出PMA模块并将其嵌入YOLOv4,该模块通过并联通道注意力模块、空间注意力模块以及输入特征图的卷积结果使得网络更加关注复杂背景下防振锤的关键区域。其次,本文为了解决防振锤因体积小易漏检的问题,对防振锤尺度及比例进行分析统计,并使用K-means算法聚类出更适合防振锤的Anchors。此外,本文还引入了多阶段迁移学习策略,以提高原始训练方法的效率、防止网络过拟合。实验结果表明,PMA-YOLO网络可以显著提高防振锤缺陷检测的准确率。（3）为了提高上述PMA-YOLO网络在检测防振锤缺陷时的速度,本文进一步研究了网络压缩加速方案,提出了一种轻量型网络PMA-YOLOs（PMA-YOLO-slim）用于精确、快速检测防振锤缺陷。具体来说,在网络中对每个卷积层后BN（Batch Normalization）层的缩放因子都施加了L1正则化以评估卷积通道的重要性。其次,本文根据稀疏后缩放因子的大小设定剪枝率来裁剪掉低于阈值的通道,达到压缩网络参数量和FLOPs（Floating point Operations）的目的。此外,由于微调剪枝后的网络所达到的精度增益有限,本文采用知识蒸馏策略以弥补网络剪枝造成的准确率下降。实验表明,PMA-YOLOs网络在保持较高准确率的同时可以显著提高防振锤缺陷检测的速度。