在变电站等复杂电力场景中,巡检人员与危险设备的空间距离感知是人员安全管控任务的基本问题,对人和设备进行精确定位与识别是提高人员安全管控水平的前提。随着激光雷达和3D视觉理论的发展,3D点云目标检测可为下游空间距离度量任务提供必要的技术支撑。因此,论文开展基于3D视觉的电力环境异常检测与空间距离感知研究的课题,针对电力巡检环境提出实时与非实时的变电站场景巡检人员与带电设备的高精度检测方法,并提出本文的空间距离感知方法,为复杂电力场景中的人员安全管控任务提供实际应用价值。本文的主要研究工作如下:（1）针对变电站等复杂电力场景中的安全管控任务对巡检人员与带电设备的实时高效检测需求,提出一种改进3DSSD的变电站场景3D目标实时检测方法。在3DSSD网络架构下,通过在SA（Set Abstraction,特征提取）层引入改进的注意力模块以获取更细粒度特征,得到了一种适用于变电站作业场景的实时高效3D目标检测网络。该网络首先经过包含若干SA层的主干网络Backbone,获取局部区域的特征,其次通过候选生成层Candidate Generation Layer将所有局部特征编码成特征向量,得到全局特征,最后经过预测头Prediction Head得到最终结果。考虑到变电站点云数据中前景点与背景点数量差距较大,本章通过采用Focal Loss计算分类损失,使网络更加关注前景点特征信息,在实时模型架构下进一步提升检测精度。在自建数据集上实验表明,该网络的m AP值达到72.9%,模型推理速度达到27.66FPS,具有较好的检测性能且满足三维目标实时检测的需求,可在下游安全管控任务中应用。（2）针对变电站复杂场景中的安全管控任务对巡检人员与带电设备的高精度检测需求,提出一种基于图神经网络的变电站场景3D目标检测方法。该方法基于Point-GNN结构设计,在顶点特征提取阶段,提出PCS（Point-Channel-Sphere）注意力结构,提取更加丰富的关键点特征信息;在GNN边缘特征聚合阶段,采用统筹性池化机制,兼顾最大池化和均值池化从而获取更丰富的全局特征;改进模型损失函数,将Focal Loss作为分类损失使训练更加关注前景点,将DIo U Loss作为回归损失使回归任务更高效。在自建的变电站场景数据集上进行训练与测试,实验表明本文方法m AP值达到73.81%,优于基准模型,能够改善变电站场景中目标的检测效果,对提高人员安全管控水平具有一定的实用价值。（3）以更加准确地求解巡检人员与带电设备的最短距离为目标,针对3D目标检测得到的三维结果图,本文提出对不同目标求最短距离的空间距离感知方法。该方法根据本文数据集中变压器与巡检人员大小悬殊的特性,取巡检人员的质心作为代表点P,计算该点到变压器的最短距离,作为巡检人员与变压器的最短距离。其中,求点P到变压器的最短距离时,首先分别计算点P到变压器八个顶点的距离,得到距离最小值对应的顶点V1作为最近顶点,然后找出最近顶点V1连接的三个面F1、F2、F3,最后分别计算点P到三个面的最短距离,取其最小者作为巡检人员到变压器的最短距离。分别基于实时与非实时的3D目标检测结果,采用人工测量法、欧式距离法、内接球体法和本文方法进行验证和测试,实验表明本文方法在求解巡检人员与带电设备的最短距离时更加接近人工测量值。