目前我国经济高速发展,铁路网覆盖面越来越广,高速铁路在各地建设,铁路现代化进程加快。在铁路相关配套设施中,接触网绝缘子是非常重要的一环。由于我国版图辽阔,南北、东西跨度大,环境复杂多样。接触网绝缘子长期暴露在各种各样恶劣的环境中,容易出现积累污秽过多、破损等各种问题,从而导致其绝缘性能下降,引发闪络等更加严重的问题。传统依靠人工巡检的检测方法已经不能满足现在的需要,因此对于接触网绝缘子实时检测的研究势在必行。本文首先研究了传统方法在接触网绝缘子识别与提取中的应用。传统方法在目标检测过程中需要依次经过图像预处理、图像分割、目标检测的步骤。本文针对图像分割这一环节,在传统方法需要花费大量时间和人员成本的问题上进行研究并做出了改进,提出了一种无参数的Graph-Based图像分割算法。结合本文提出的图像分割算法与传统的基于SURF特征匹配的检测算法,本文成功地识别了接触网绝缘子。但是传统方法存在对于复杂背景下接触网绝缘子识别困难的问题。针对传统方法对复杂背景下接触网绝缘子识别能力差的问题,本文着重研究了深度学习在接触网绝缘子识别与提取中的应用。本文提出了三种基于深度学习的绝缘子检测算法。(1)基于Faster R-CNN的绝缘子检测算法。本文首先对网络作了简单调整,然后在COCO数据集上进行预训练,最后在本文构造的数据集上进行训练。经过实验对比,本文提出的网络在各项指标上的表现优于未经改进的网络。(2)基于YOLO的绝缘子检测算法。本文针对网络的学习率进行了改进,提出了一种分段的学习率函数。本文提出的网络,有效地防止了训练初期的梯度爆炸现象,并且能够尽快地收敛,在各项评价指标上也有着良好的表现。(3)基于SSD的绝缘子检测算法。为了使得深度学习网络能够在移动设备上运行,本文研究了SSD网络,并且将其骨干网络替换成MobileNet,经过实验表明,本文提出的网络在识别精度与识别时间上表现均衡,且模型的权重文件小,易于部署在移动设备上。本文实现了基于浏览器的接触网绝缘子检测系统。采用基于前后端分离的技术,使得终端设备不需要依靠其本身的算力,就可以实现对绝缘子的实时检测,充分证明了本文提出方法的有效性和可行性。