在电网系统中,对于输电线路的巡检保护是保障电网能否正常运行的重要环节,多数情况下采用图像处理技术对无人机采集到的海量图像进行识别检测。但由于传统机器学习步骤繁杂,耗时极长,已不适用于对数量庞大的数据集识别检测。而随着计算机技术的不断发展,出现了深度学习算法,它可以自动对图片特征进行提取,使图像在网络中能被更好的识别,同时相较于传统网络有着更强的泛化能力;但在深度学习算法中,浅层神经网络对于复杂背景下的图像识别并不十分理想,由此产生了深层神经网络用来针对数据量较大,背景相对复杂的图像数据集。由于输电线路故障图像的特殊性,故本文选择采用深层神经网络对数据集进行识别检测。本文以TensorFlow为平台,对9类输电线路故障进行识别检测实验,提出使用以VGG16为基础网络的Faster-RCNN的网络用于输电线路故障图像的识别与检测,并通过对RPN网络中batch_size大小的不断调整,确定网络中的正负样本比例,从而达到对网络优化的目的,由此形成输电线路故障检测网络模型。在网络训练过程中,首先对无人机采集到的输电线路故障图像进行分割预处理,并利用图像增强技术对数据集进行扩充,最终得到3300张图像并将其分为训练集和测试集,然后选择合适的基础卷积神经网络,再通过改进RPN网络以及使用软化非极大值抑制对原始的Faster-RCNN网络进行改进,以其作为数据集的检测网络,最后通过网络得到预测框图及其预测分数,经过统计运算获得各类的MAP,得到网络测试集的总MAP为93.68%。通过实验可知,在背景复杂的输电线路故障图像数据集中,运用改进后的检测网络对其进行识别和检测,可以对输电线路故障进行良好的判断。改进后的网络有效的提高了网络的运行效率,对输电线路故障识别准确率也有显著提升。对于提升电网巡检效率,保障电网正常运行提供了新的思路。