随着中国逐渐成为世界上高速铁路发展最迅速、技术最全面的国家,电气化铁路中面临的问题种类繁多。牵引供电系统的稳定安全既关系着电气化铁路的安全性,也严重影响着运营维护效率及成本。接触网安全状态监测作为目前研究的重点问题,实现其面向视频的、大数据环境下的自动化、智能化的状态监测是当前亟待研究的领域,作为后期识别和维护工作的重要前期步骤,其中对关键区域的零部件的异常检测的研究具有重要的意义。本文的研究工作以6C系统规范中接触网安全巡检装置的技术规范为依托,以C2装置摄像机拍摄的接触网支柱编号数据和接触网绝缘子数据为基础,通过图像处理技术和深度学习等方法对两种数据中的异常现象进行了相关的研究,最后通过实验验证了本文提出方法的有效性。本文的主要工作如下几个方面:1、针对获取到的连续帧接触网图像数据,通过样本选取原则确定待检测数据集的正常和异常类样本,截取了含待检测对象的数据,制作相关数据集。针对实际应用中绝缘子数据集中没有异常类样本的情况,通过图像仿真软件对绝缘子异常样本进行仿真,获取一定的数据。对两种数据进行了数据增强,有效地增加了训练数据量,为后续实验准备了数据基础。2、研究了基于HOG特征的接触网支柱编号异常检测。通过对HOG算法和特征提取原理的分析,设计了不同的参数和特征维数,找到了适用于接触网支柱编号的最佳的特征维数,并作为后续SVDD分类器的输入。为了找到最佳的参数组合,设计了一种SVDD算法中参数优化的方法,通过网格搜索的方法对参数进行寻优,最后通过多种评价指标对实验结果进行评价。通过实验表明:参数调节中的方法能够合理地、较快地找到最佳的参数范围和参数组合,对接触网支柱编号的异常检测有较高地准确率。3、提出了基于CNN迁移学习和SVDD结合的异常检测方法。文中分析了数据的非平衡性和数据的样本量,通过利用半监督学习的思想实现了对Lenet-5网络的模型迁移。针对实际需求中的异常检测的二分类问题,改进了传统的Lenet-5网络模型,对卷积层中的卷积核大小和数量进行了微调,研究了不同全连接层的卷积核数量对训练准确率的影响并进行相关实验,确定了适合于接触网图像数据特征的特征维数,作为后续分类器的输入,实验证明了网络的合理性;最后通过SVDD进行训练和测试,对接触网支柱编号图像的异常检测准确率超过97%,验证了文中方法具有一定的工程价值。