无人机电力巡检是一种利用无人驾驶飞机自主作业的优势,完成架空输电线路维护的新型巡检方式。无人机通过机身携带的图像采集设备和远程无线电控制系统,获取高清的航拍图像,并予以分析。与传统的人工巡检方式不同,无人机巡检具有复杂地形适应能力强,安全系数高,风险小,成本低,准确可靠等优势,已经成为输电线路运维技术的重点发展方向之一。然而,由于航拍图像的复杂性和视觉识别技术的局限性,如何实现智能化电力巡检系统仍然是一项艰巨的任务。本文以航拍图像中绝缘子的缺陷检测为研究对象,结合电力巡检的要求,研究了基于深度学习的绝缘子缺陷检测方法。分别提出了一种实时的单级绝缘子缺陷检测器和一种对极小缺陷块检测鲁棒的级联绝缘子缺陷检测器。本文的主要工作如下:首先,针对在线巡检的要求,基于深度学习的目标检测方法,提出了一种实时的轻量级YOLOV3绝缘子缺陷检测方法。该轻量级网络是对压缩网络MobileNetV1的合理优化,在保持基本性能的前提下,大大提升了网络的推理速度。为了提高训练前锚框生成的稳定性和准确性,提出了基于欧式距离的K-means++算法。针对绝缘子图像数据集不足的问题,使用PASCALVOC2007数据集训练好的网络参数,预先加载至绝缘子缺陷检测网络中,以完成权重的初始化。改善了数据量不足带来的网络收敛慢,检测精度不高的问题。其次,由于无人机电力巡检的安全距离规定,对于某些严管的控制区域,无人机巡检拍摄的航拍图像中会存在电力设备占比极小的情况。本文设计了一种数据融合方法,通过将缩小后的绝缘子与输电线路背景图相融合,制作了满足条件的极小绝缘子缺陷数据集。并针对缺陷占比极小、检测难的问题,提出了一种级联网络结构用以检测极小缺陷块。该结构通过构建两级检测网络,一级网络负责捕获绝缘子的位置,剪切后输入二级网络识别绝缘子的缺陷,加强了对缺陷块特征的提取与表示,提升了缺陷块的准确率和召回率。综上,本文通过对绝缘子航拍信息的深入分析,研究了基于深度学习的缺陷检测方法,针对在线和离线巡检的特性,分别进行了速度和精度两个维度的优化。提出的方法可以有效地应用于无人机电力巡检任务,具有一定的理论意义与研究价值。