输电线路巡检是电能安全传输的保障,基于计算机视觉的智能巡检技术是输电线路巡检的发展需求,金具作为输电线路上种类最多、用途最广的功能型金属部件,是其最容易发生故障的部件之一。金具及其缺陷目标是输电线路巡检任务中的主要巡检目标,如何快速准确地定位到金具目标并检测出金具目标是否存在缺陷是电力系统研究的重点问题。利用基于计算机视觉的方法对输电线路航拍图像中金具及其缺陷目标的快速检测是解决问题的有效途径,本文使用特征金字塔网络（Feature Pyramid Networks,FPN）实现对输电线路航拍图像中金具及其缺陷目标的准确检测。针对输电线路巡检对金具及其缺陷目标检测高精确度要求,且金具及其缺陷目标在航拍图像中尺度变化大、部分金具为小尺度目标导致检测精确度低的问题,本文提出了一种基于改进FPN的输电线路中金具及其缺陷的目标检测方法。首先,课题组自建航拍金具图像数据集,对FPN模型的参数进行微调并探究最有效的超参数;然后,针对层级深度特征中高级语义信息与定位细节信息无法同时取得较好的效果问题,采用双线性插值方法上采样进行特征融合,将高级语义信息传递到每个特征层级,对具有细节定位信息的特征图补充高级语义信息;针对多尺度与小尺度目标进行分层级预测,提出了双参数约束方法,对基于分辨率的目标区域特征预测层选择方法加入形状约束。通过实验验证,上述改进的FPN检测方法的平均检测率达到了82.37%,性能提升了3.25%。为了得到更好的目标特征与目标特征有效的表达,本文采用递归特征金字塔,通过采用自下而上的反馈连接方式,优化特征提取网络中金具特征;同时提出使用神经架构搜索（Neural Architecture Search,NAS）获取空洞卷积的孔洞率扩大感受野的方式使卷积对多尺度金具特征提取更有效。实验结果证明:提出的递归特征金字塔与NAS搜索孔洞率的空洞卷积相结合改进FPN的方法,在一定程度上解决了金具目标检测准确率低的问题。其中性能指标平均精确度（Average Precision,AP）值提高了3.27%,最高检测准确率达到了92.23%。该研究为进一步对金具进行故障诊断,实现智能巡检奠定了良好的基础。