根据《国家电网有限公司2014-2018年安全生产事故（事件）分析报告》,引起输电线路跳闸的主要原因之一是挖掘机、塔吊等施工机械对线路的外力破坏,因此进行输电线路施工机械目标检测对维护电网稳定运行,维持人类正常生产生活有着重要意义。本文主要针对输电通道下施工机械类别不平衡问题和小目标检测精度低的问题进行相关研究。在目前的图像数据增强技术与目标检测技术上,本文提出了基于改进Faster R-CNN的输电通道施工机械目标识别方法,通过在数据层面和算法层面上的改进,提高了模型在输电通道施工机械目标检测任务上的检测性能。针对数据集类别不平衡问题,本文分别从图片采样和数据增强的角度提出了改进方案:（a）图片采样。本文提出了一种新的图片采样算法,称为基于TF-IDF权重计算方法的图片采样算法。该方法借鉴TF-IDF权重计算的思想,在计算图片权重时同时考虑到类别在数据集中的整体分布与在每张图片中的局部分布,让样本数量少的类别可以被多次采样,从而使得送入模型进行训练的数据集类别尽量均衡;（b）数据增强。本文提出了一种细粒度的数据增强算法,称为类别平衡感知的数据集样本扩充算法。该方法打破了类别间的强共现关系,可以在训练过程中通过数据增强的方式动态地调整各类别样本的数量分布,从而达到均衡训练样本的效果。针对小目标检测精度低的问题,本文首先分析了数据集中目标的大小分布,然后通过K-Means聚类算法计算出更符合该数据集的锚框大小分布,用来指导RPN网络产生更优质的候选区域。除此之外,本文还提出了一种新的特征融合方法,称为带可学习权重的全相联特征融合,该方法可以更好地保留低层特征图的信息,并加入可学习权重,使得模型可以区分特征融合时不同特征图的重要程度,进一步提高特征金字塔的信息融合能力,从而提高了小目标检测的精确度。本文针对类别不平衡问题以及小目标检测精度低的问题对双阶段的Faster R-CNN目标检测模型进行了数据层面和算法层面的改进,最终模型在测试集上的检测mAP为68.1%,实现了比基准模型高8.8%的性能提升。该模型已在现实场景中落地应用,实际检测情况良好。