电能传输需要通过输电线路,而绝缘子作为输电线路中连接杆塔与导线的重要组成部分,对保证输电线路的安全稳定运行具有重要的意义。所以,如何高效的对电力巡检绝缘子及其缺陷进行检测成为智能电网发展过程中亟待解决的问题。目前,在绝缘子及缺陷的检测过程中存在着图像目标较小、背景复杂、光照不均等问题,卷积神经网络（Convolutional Neural Network,CNN）是目前主流的目标检测算法中使用最多的特征提取网络,而多尺度CNN能够实现不同尺度的特征分析,有利于实现小目标的缺陷检测。为了实现绝缘子及缺陷检测,本文研究基于多尺度CNN的绝缘子检测模型,结合多尺度特征提取融合算法,并将多尺度CNN可视化,实现对模型的可解释性研究与绝缘子缺陷的分类。本文主要从以下几个方面研究并取得了相应的研究成果:（1）针对初始绝缘子数据集中存在的绝缘子种类不足和有缺陷样本太少等问题,利用深度对抗网络数据增强模型,通过循环一致性生成对抗网络生成多个风格域的绝缘子样本,最后构建包含三类不同材质绝缘子和四种不同缺陷种类的样本库,并通过这些样本训练预训练模型,为后续多尺度模型的训练和测试提供了数据基础。（2）基于多尺度CNN的绝缘子缺陷检测研究。本文提出了一种多尺度特征提取网络结构,实现提取不同尺度的绝缘子图像特征,并将不同尺度的特征进行融合,结合端到端的训练优化方法,同时加入了目标先验框的设计,实现对绝缘子及缺陷的检测。最后,分别对比分析这些方法在本文构建的绝缘子数据集上的训练和测试结果。实验证明,多尺度CNN在本文的绝缘子数据集上检测结果为91.37%,同时目标先验框的设计使得检测精度提高了1.3%。（3）将可视化技术应用于本文提出的多尺度CNN模型中,采用建模之后的可解释性方法,先将网络层特征分别可视化,再结合类激活图映射方法对本文的模型进行分析,最后通过可视化解释多尺度模型在识别绝缘子中起关键作用的部分,并理解绝缘子缺陷检测任务的决策重点。实验部分可视化了多尺度CNN不同层的绝缘子图像特征,并通过类激活图可视化方法实现绝缘子及缺陷的图像特征描述。