在如今快速发展的铁路事业中,智能化、数字化的实时检测变得越来越重要。受电弓作为铁路牵引供电系统的重要组成部分,担负着从接触网受流的责任,它的状态好坏直接关系着铁路运营的安全。研究检测精度高、实时性好的受电弓状态检测算法,对保障铁路行车安全具有重大的意义。针对目前受电弓状态检测方法成本高、适用范围窄、检测精度低并且对异常数据依赖性强的缺点,本文以图像处理技术为依托,设计了一种适用范围广、不依赖异常数据的受电弓实时状态检测方法。首先,针对受电弓目标实时定位问题,以关键点目标检测技术为依托,设计了一种基于改进Center Net的受电弓实时定位方法。该方法采用Mobile Net主干网络,有效地减小了模型计算量,加快了检测速度。同时,采用特征金字塔网络（Feature Pyramid Networks,FPN）对上下文特征进行有效融合,弥补了Mobile Net特征提取能力的不足,改善了检测精度。对比实验表明,改进后的定位方法达到了精度和速度的最佳权衡。其次,考虑到受电弓异常状态往往反映在其结构变化上,以语义分割技术为依托,设计了一种基于U-Net的受电弓结构分割方法,并与传统图像分割技术做了对比,实验结果表明,基于U-Net的语义分割方法能够对受电弓结构进行精确分割,有效地消除了背景以及其他部件对后续异常检测的干扰。最后,针对现有受电弓状态检测算法适用范围窄、对异常数据依赖性强的缺点,本文以无监督异常检测技术为依托,设计了一种基于变分自编码器（Variational AutoEncoder,VAE）的受电弓异常检测方法,该方法仅通过变分自编码器对正常数据分布建模,然后采用相似度计算和标记算法即可对受电弓异常进行检测。实验结果表明,该算法能够以较高的精度对受电弓的状态进行判别。