接触网是电气化铁路供电系统的重要组成部分,具有为电力机车输送电能的关键作用。近年来,随着非接触式检测技术的飞速发展,接触网支持装置零部件的故障检测精度和智能化水平得到了极大的提升,但2D图像数据存在自身应用的局限性,在复杂接触网场景中,各腕臂间存在遮挡现象,不完备图像特征严重影响了零部件智能定位识别精度;对于接触网小目标零部件,由于局部图像像素较低,零件图像特征不明显,导致识别精度下降。针对上述问题,本文综合考虑接触网腕臂系统2D图像数据并结合同步采集的3D点云数据,基于深度学习方法,实现接触网腕臂零部件的高精度不良状态检测。首先,本文应用时间飞行测量深度相机,构建了接触网零部件3D点云与2D图像数据同步采集系统,通过现场测试,验证了接触网腕臂系统3D和2D数据同步采集的有效性。构建接触网虚拟点云模拟采集环境,为3D点云深度学习提供数据支持,克服现场采集数据量不足以及采集3D点云数据包含孔洞,噪声等干扰问题。建立实测/虚拟点云数据样本库,为后续基于3D点云与2D图像的裂纹检测研究奠定研究基础。其次,为解决复杂接触网场景下腕臂遮挡问题,应用3D点云深度信息,实现2D图像双腕臂结构的前后腕臂零部件图像分离。针对3D点云数据零部件分割问题,尝试应用基于点卷积的3D点云神经网络方法,实现了接触网腕臂系统中16类零部件的准确分割,分割平均准确率可达到96.5%,平均误差范围为2.0%～2.6%。基于3D深度图像与2D图像同步采集对应关系,建立接触网3D点云与2D图像映射,将分割结果映射到2D图像中,实现2D图像中各类接触网零部件轮廓的精确分割。基于点卷积的点云辅助的接触网零部件2D图像可获得更好的分割效果。再次,为解决接触网小目标零件,局部图像分辨率较低、特征不明显问题,本文尝试应用基于自然实际的图像超分辨率神经网络算法,实现接触网腕臂系统小目标零部件图像超分辨率,增加小目标零部件图像清晰度,增强小目标零部件的局部特征。最后,针对接触网小目标零部件旋转双耳的裂纹检测,本文应用前端定位以及超分辨率处理后的接触网腕臂系统零部件图像,应用目标检测网络,实现旋转双耳的裂纹检测,单帧图像推断仅需7ms。对比已有旋转双耳裂纹检测方法,应用的方法流程检测精度更高,检测时效性更强。