随着国家经济发展水平的提高、城市规模的增大,许多地方的植被被破坏,导致输电线路上有许多鸟类筑巢,这对电网的安全运行造成了极大的隐患。从架空输电线路上检测鸟巢,因为鸟巢目标太小存在人工难以识别的问题。如果全靠人眼去识别,那么识别很容易出错而且人眼识别所需人数多进而导致人工费用提高,所以需要借助无人机运用基于深度卷积网络的模型对目标进行检测,这样就可以节省人工费用且提高鸟巢识别效率。本文对于输电线路巡检航拍图中鸟巢的识别问题,提出了改进的算法,来达到更自动化更高精度的自动检测。并由鸟巢数据集中图片所带的GPS信息对鸟巢进行位置定位。首先,通过无人机设备采集了6384张含GPS信息的输电线路上高清鸟巢图片,接着对图片进行一定的筛选,筛选出了适合训练和验证的6000张图片作为原始数据集。其次,为了可以自动化识别架空输电线路上的鸟巢以减少人工开支,选择深度学习的方法来进行目标检测。接着分析了目前常用的目标检测模型,使用SSD模型作为基础模型。但SSD模型在本实验中也存在一定的不足,因为本文需要检测的目标是架空电线上的鸟巢,目标特征不是很明显且比较小,所以需要对SSD模型进行改进。SSD的骨架网络为VGG16,只有16层,卷积深度不够,所以先将VGG16改为VGG19,相当于在原来的基础上增加了更多卷积层,因此获得了更好的学习效果。经过对VGG19进行大量训练后发现提升效果不明显,因此尝试加入残差块对VGG19进行进一步改进,然后利用迁移学习选择了结构和VGG19相似且由残差块组成的Res Net50。为了使Res Net50更适合鸟巢这种小目标检测的任务,进一步改进了Res Net50的损失函数,增加了中心损失的计算,得到的最优的模型Res Net50（up）。最后将Res Net50（up）分别与改进前的3种基于不同骨架的SSD模型进行了全方面对比。实验结果显示本实验改进的网络在综合指标F1和AP上的效果都较好。改进后的模型F1值从改进前的87%提高到89%,提高了2%;ap值从86.23%提高到89.02%,提升了2.79%;平均检测精度（m AP）值提高到89%,可见改进的SSD算法性能较好,可以更好的识别含GPS信息图片中鸟巢的位置。改进后的模型能较好的识别输电线路航拍图像中的鸟巢,可以对输电线路鸟巢的识别提供帮助。