电力资源是人类社会的重要组成部分,与经济和社会发展息息相关。然而,偶尔悬挂在输电线上的风筝,塑料袋等异物会对输电线安全造成巨大威胁,可能会引发短路和火灾。解决此问题的传统方法是人工反复仔细检查各输电线是否存在异常,金钱和人力消耗较大。随着深度学习和计算机视觉的发展,人们希望能在电塔监控摄像头等设备添加输电线异物检测功能,通过计算机自动化巡检与警报,以较低的人力物力来确保电力系统的安全。然而,目前已有的基于深度学习的输电线异物检测方法存在以下问题:（1）输电线异物数据较为缺乏,其自然情况下获得的概率较低,也难以人为制造,并且缺乏可用的开源数据集,通常一个大型电力设备企业只有寥寥几百张输电线异物数据,难以训练性能较强的深度神经网络。（2）场景数据单一,对于中国南部的电力设备公司而言,夏秋季节风筝等异物多、冬季少,存在数据场景单一的问题。（3）通用的目标检测网络没有充分挖掘输电线场景的特性,它在训练和推理图像时对每一个位置均匀地生成区域提议,受复杂背景干扰较大,使得检测效果无法达到最优。为解决基于深度学习的输电线异物检测落地应用存在的上述问题,本文为输电线异物检测领域存在的相关问题作出了三个改进。（1）针对输电线异物数据缺乏问题,本文提出了一种数据合成方法,把预先准备的多种风筝、塑料布等异物,通过输电线位置计算和物理形态的模拟,最终生成一张和真实输电线异物十分相近合成图。经实验证明,采用海量数据来预训练目标检测网络YOLOv5可使其在微调后获得比对照组5.8%以上的提升。（2）本文改进了一种经典风格迁移网络MUNIT,并在三个通用数据集上获得定量和定性的提升。通过实验证明,采用改进的风格迁移网络生成适当数量的其他风格场景图加入预训练集,可以提高目标检测准确率。（3）针对输电线异物检测的场景和任务特点,本文提出了一种基于边缘区域提议的二阶段检测网络,通过在网络推理时只对边缘附近像素生成区域提议（ROI）,降低无关的复杂背景对深度神经网络的干扰,从而提升检测性能。