近年来,我国高速铁路技术飞速发展的同时,铁路安全问题也受到重点关注,而接触网设备的安全在其中扮演着至关重要的角色。为进一步提高接触网设备检测的高效性和准确性,实现面向视频的接触网设备智能化检测研究具有意深远意义。本文的研究工作以6C系统中接触网安全巡检装置项目为依托,以列车车载前置摄像机拍摄的接触网图像为对象,提出一种适合铁路场景的图像语义分割神经网络(Deep Multi-Road Semantic Segmentation Network for Railway Scene,DMRN)对接触网关键设备进行语义检索和定位,并以绝缘子为对象,对其进行异常检测,最后通过实验验证本文提出的图像语义分割算法面对复杂铁路环境的可行性、普适性和较强适应性。本文的主要工作和创新点有如下几个方面:1、针对常用分割算法在复杂铁路场景中适应性差,普适性弱,鲁棒性不足等缺点,引入多尺度感受野和特征通道注意力模型,提出一种适合铁路场景的图像语义分割神经网络(DMRN)。并从评价指标和语义分割图两个角度,对6组不同真实情况下的铁路场景分割效果进行评价,在晴朗天气下的平均分割精度达到91%,且在多种复杂天气状况下对接触网关键设备的分割依然具有较强适应性。在语义分割图基础上结合图像处理技术完成对绝缘子的语义检索和定位工作,为后续对其异常检测工作做准备。2、针对绝缘子异常数据偏少且故障类型不可预测的问题,研究了基于深度对抗神经网络的接触网关键设备故障数据仿真方法,丰富了绝缘子异常状态数据,同时为验证仿真方法的可行性,对吊弦进行了相同的故障数据仿真方法实验,因此本文研究的故障数据仿真方法为解决铁路场景中接触网关键设备正常数据和异常数据不平衡问题提供了新思路。采用改进的CNN神经网络对绝缘子进行异常检测,且正确率达到92%,验证了本文方法在工程上对接触网关键设备的检索和定位以及异常检测具有一定的意义。3、针对语义分割任务中标签数据也是图像数据的问题,编写像素级图像标注程序,并根据标注程序手工完成300张标签图像的制作,同时对真实图像数据及其对应的语义标签图像数据进行数据增强操作,为语义分割神经网络的训练提供充足数据集。