随着国民经济的快速发展,电力能源的需求量越来越大,高压输电线路日益增多。由于长期暴露于恶劣的自然环境,经历狂风骤雨和雪灾酷暑等自然灾害,输电线路容易发生故障,如果不能及时发现并维修维护,导致停电断电事故,将直接影响工业生产和人民的日常生活,造成直接和间接经济损失。现阶段,输电线路巡检以人工巡检为主,成本高、工作量大且效率低。针对上述问题,将无人机与图像处理技术相结合给电力巡检带来解决上述问题的思路。为此,本文主要研究了输电线识别及杆塔检测方法,主要工作和取得的成果包括以下三个方面。（1）针对无人机航拍采集的输电线图像特征,研究了图像预处理方法。通过实验对比选取加权平均法灰度化图像,采用高斯滤波平滑图像,利用直方图均衡化增强图像。针对边缘图像存在背景噪声的问题,对边缘图像进行连通区域分析,去除背景噪声,削弱背景噪声对输电线识别结果的干扰。（2）研究了输电线实时识别的方法。标准Hough变换识别输电线容易产生多条平行或者相交的直线,提出Hough变换的改进算法,使输电线识别满足单直线响应准则,可以准确完整地识别输电线信息。针对输电线视频序列识别容易产生漏检和误检的问题,采用Kalman滤波跟踪输电线,建立输电线图像前后帧之间的联系,提高输电线实时识别的鲁棒性。（3）搭建杆塔图像数据集,针对数据量不足的问题,通过多种方法完成数据扩增,采用基于卷积神经网络的YOLOv3目标检测模型,通过聚类算法获取先验锚框,使其更符合杆塔的形状和比例,改进损失函数,采用GIo U计算边界框回归损失。实验表明本文改进YOLOv3算法的mAP达到90.8%,具有较高的准确率和较快的检测速度。