弓网系统是电气化铁路系统重要的组成部分,承担将牵引网中的电能输送给电力机车的关键工作。受电弓和接触网装置之间存在复杂的力学、电气交互影响,列车长期运行产生的振动和冲击不可避免地使接触网支持装置出现故障,例如腕臂连接件的紧固件出现松脱或更严重的脱落状态,严重影响列车的安全运行。随着高铁成像检测车及相关成像技术批量化生产,非接触式检测被广泛使用。然而,目前铁路系统仍依赖人工读图的方式在捕获的海量图像上查找故障。随着中国高铁的大规模建设,人工判图会由于视觉疲劳等出现缺漏,且效率较低。因此,有必要研究一个零部件故障的自动检测系统。本文结合在计算机视觉领域取得优异成果的深度学习技术,设计了一套分析处理拍摄到的接触网支持装置图像的系统,预报其中腕臂连接件的紧固件的故障状态。首先,接触网支持装置零部件种类繁多,而成像检测车车顶的相机是从整体的角度拍摄支持装置的,需要从捕获的高清图像中取出腕臂连接件。本文分析比较了多个物体检测深度学习框架,包括Faster R-CNN、SSD、YOLO等,考虑腕臂连接件在图像中较为分散,且尺寸较小,选择SSD识别框架。调整SSD框架中检测层的位置,以高网络对腕臂连接件大小的目标的识别率。搭建关于8类零部件类别和位置信息的样本库,训练模型,对比调整相应参数,实现零部件的定位取。为分析微小且数量众多的紧固件的工作状态,本文参考人脸识别的思路,设计了三阶级联的深度神经网络结构。在第一阶段定位识别出腕臂的连接件后,采用改进的YOLO框架,直接在4种连接件上定位取出6种紧固件。在第三阶段,采用一个深度卷积神经网络完成紧固件3种工作状态的分类。由于第二阶段任务较为容易,本文设计半监督训练方式,在保证精度的前下,减少人工标注。由于故障样本数量有限,本文考虑平衡正常工作,松脱和脱落的样本数量,完成第三阶段模型的训练。本文采用武广高铁局岳段的接触网支持装置图像作为训练数据,衡株段的图像作为测试数据。实验结果表明本文的级联深度神经网络可以快速准确地报告紧固件的各种故障,且模型对复杂的背景环境有着很强的鲁棒性。