近些年来,国家GDP的快速增长和各个领域用电量的持续提高,使得电力线路的规模在不断变大。由于电力设备长期处于户外的环境中,长时间的风吹雨打必定会影响其性能,甚至会造成电力事故,因此需要对设备定期巡检以保证系统的正常运行。随着无人机这一行业的兴起和机器视觉技术的逐渐成熟,让无人机替代人工巡检变为可能。然而,电力设备所处的环境往往复杂多变,这给检测带来了大大的挑战。在这一实际背景下,本文主要研究了无人机巡检电力线路图像中的绝缘子、塔牌、螺栓、防震锤等物体的目标检测和缺陷识别。具体研究内容如下:本文首先调查了无人机在电力系统的巡检情况和国内外相关的技术,介绍了各类算法和它们的不足之处,然后从无人机巡检的图片上分析其特点,分别从目标检测和缺陷识别两个方面进行研究,其中缺陷识别建立在目标检测的基础之上。在目标检测方面,针对无人机巡检图像分辨率大这一特点,本文提出了BING、Edgebox、Objectness、Selective search四种生成潜在区域的方法,然后再将这些潜在区域放到Faster R-CNN、SSD、YOLOv2等神经网络里面进行识别和定位。为了增强算法的鲁棒性,对数据集做了大量的旋转、比例收缩等变换。经实验表明,该方法抗干扰能力强,即便是有一定模糊程度的图片也能较好的完成检测任务。在缺陷识别方面,针对绝缘子和防震锤,本文分别提出了基于聚类的等区间异常检测和基于图像分割的等距离异常检测。经实验表明,这些方法能够在一定条件下将物体中的缺陷识别出来,可是过于依赖分割和聚类结果的好坏。对于较为复杂的背景,缺陷识别效果就要打折扣。因此,本文再次提出了SSD网络,利用其抗干扰能力强、检测速度快等特性,将损坏的绝缘子和防震锤在复杂的背景中识别出来。