高速铁路近年来的快速发展,带来的接触网检测任务日益繁重。传统的人工检测已经满足不了路局日常检测的需要,实时在线的自动检测技术迫在眉睫。目前来看,虽然在接触网图像检测这一块的研究和论文有很多,然而实际应用却不多,或者效果不尽人意。究其主要原因在于接触网零器件的复杂和背景环境变化的剧烈,尤其在高速条件下,使得图像的处理与识别变得十分困难。本文通过使用机器学习中的算法:支持向量机SVM分类器,来完成接触网图像检测中的应用的研究。在文章中首先介绍了支持向量机的算法原理,然后介绍了当前主流的几种图像特征提取理论。并以受电弓碳滑板检测与接触网支持装置上的绝缘子检测及接触网定位器定位为例,通过程序流程的描述,阐述了支持向量机的具体应用方法。最后以C++与OPENCV库为平台完成实验的验证,并得出实验结论:支持向量机在接触网碳滑板图像检测中,在牺牲部分查准率的情况下,可以达到较高的查全率,能满足碳滑板安全性的检测要求;在绝缘子检测中,对比了不同核函数情况下,不同支持向量机的分类效果,其中高斯核比较适用于依据灰度共生矩阵为分类特征的向量机;在定位器坡度识别时,SVM可以实现定位器的快速定位,增加检测效率。可见在支持向量机在接触网图像检测中,具有较高的应用价值。其关键在于:一.妥善解决部件的图像分割;二.选取最适合的图像特征进行提取;三.需要数据量足够的样本库支持;在解决了这三个关键点后,支持向量机就能快速识别出故障图片,做到实时自动检测。