坚强智能电网对于电力系统运行稳定性和持续性要求进一步提高,这需要对输电线路进行短周期、高效率的巡检维护。目前,无人机拍摄高清图像已经逐步替代人工巡检,成为输电线路巡检的主要方式,随之带来的是海量巡检数据处理的准确性和实时性问题。当前,应用深度学习的识别算法对于绝缘子等大尺寸部件取得了较好的识别效果,但是对于销钉这类尺寸小、相似部件多的部件,识别精度一直难以满足实际应用的需要,是目前研究的重点与难点。针对缺陷销钉识别问题,现有方法往往只选择应用固定的超参数构建特征,使得模型鲁棒性不足,难以在实际应用中取得理想的效果。本文对大量采集自实际场景下的巡检图像进行人工精细标注,构建了实验数据集,设计并实现了基于注意力机制的感兴趣区域（Regions of Interest,RoI）特征融合网络,并且针对缺陷销钉提出了级联分类网络,主要贡献如下:（1）提出了一种基于注意力机制的RoI特征融合网络,充分利用特征金字塔网络所提供的多尺度特征信息,针对RoI特征自适应地计算不同尺度特征对应的权重值,使得加权融合后的销钉与背景的区分度更加明显。实验结果表明,本文所提出的方法能够定位出绝大多数缺陷销钉的位置,相比于基线模型,缺陷销钉的召回率提升4.85%,达到97.12%;平均精度提升10.79%,达到80.86%。（2）针对缺陷销钉,为了提高分类网络对缺陷销钉细微特征的学习能力,分别基于类别、分类得分以及形态聚类设计了三种级联分类网络,减少了缺陷销钉误识别的数量,将其平均精度进一步提升3.43%,达到84.29%。针对非典型缺陷销钉,应用Focal Loss作为分类损失函数,提升非典型缺陷销钉的分类损失在整体分类损失的占比,改善了非典型缺陷销钉的识别精度,提升模型的鲁棒性。（3）除此之外,以本文提出的缺陷销钉检测模型为核心,提出了一套巡检图像识别与管理系统设计方案,为检测模型下一步的实际应用进行准备。本文所做的工作能够有效提升检测模型对缺陷销钉的识别能力,并且对算法的实际应用进行了探索,对于巡检图像智能、快速识别具有较大的实用价值。