输电线路涉鸟故障相关鸟种的分类研究对电网鸟害防治工作具有重要意义和实际价值。统计表明,涉鸟故障引发的线路跳闸次数仅次于雷击与外力破坏。为有效防范由鸟类活动引发的线路故障,电网运行单位开展了涉鸟故障风险评估,并在输电线路上加装防鸟装置,但由于运维人员对涉鸟故障相关鸟种缺乏必要的认知,目前尚难以做到精准防治。伴随深度学习在细粒度图像识别领域的不断突破,智能化识别涉鸟故障相关鸟种进而实现差异化防鸟成为必然趋势。本文围绕输电线路涉鸟故障相关鸟种的图像分类开展了以下三点研究工作:（1）根据输电线路涉鸟故障统计数据与鸟种调研结果,从中提取了输电线路危害鸟种的基础信息表,并采用人工拍摄方式以及互联网爬虫技术采集相关鸟种细粒度图像,对图像样本逐个进行人工标注,建立了包含90种鸟类、共计5400幅图像的鸟种图像数据集。（2）提出了基于Image Net数据集预训练深度卷积网络模型的迁移学习方法。根据主流深度模型搭建了18种架构的网络模型,并通过对比分析确定了与网络模型相匹配的层间函数,将Image Net数据集上运行至收敛的模型权重参数导入搭建好的模型进行微调以及重新训练。实验结果表明,基于全局微调的Res Net101模型对鸟种图像数据集的分类效果最佳,分类准确度可达87.96%,证明了迁移学习在小样本数据集上的适用性以及深度残差网络架构的先进性。（3）通过在SSD框架上进行主干网络以及多尺度特征图的优化,有效减少了鸟种图像背景噪音对模型抽取特征的影响。采用Res Net101模型替换VGG16模型作为主干网络,克服了原始SSD模型表征能力差的缺陷,同时设计了特征拼接模块,将浅层特征与顶层特征进行拼接融合,提高了模型分割背景与目标的能力。实验数据表明,优化后的模型在鸟种数据集上取得了91.6%的平均精度均值以及92.41%的分类准确度,证明了上述优化方案的可行性。本文提出的方法能够实时、精确地识别输电线路危害鸟种类型,为运维人员开展鸟害防治工作提供鸟类知识参考。