现如今,我国智能电网建设进入全面快速发展的新阶段,在变电网领域,根据国家电网公司制定的发展规划要求,在传统变电站的运行模式满足不了当前发展需求的情况下,智能变电站的应用势在必行。在智能变电站的建设中,为解决海量电力设备红外图像数据的智能检测问题,本文首先对红外图像进行预处理,分离出存在缺陷的电力设备,其次提取缺陷区域以提高后续算法的准确率,最后以深度学习为理论基础,提出了一种基于深度学习的电力设备红外图像缺陷识别分类的算法。所做工作内容如下:1)根据电力设备红外图像的特点,本文提出了基于HSV颜色空间的电力设备是否存在缺陷的判断方法和一种基于SLIC图像分割算法的电力设备缺陷区域提取方法,通过上述两个方法,首先在海量红外图像数据中分离出存在缺陷的电力设备红外图像,然后在图像中提取出存在缺陷的设备区域,完成对图像的预处理。2)本文通过研究电力设备热缺陷类型和设备类型之间的关系,提出了将复杂的热缺陷分类问题转换成设备分类问题的新思路。根据深度学习理论,提出了一种基于卷积神经网络的缺陷电力设备红外图像分类方法,通过对VGGNet和密集连接模块的网络结构和工作原理的分析,构建了一个DV-CNN模型对缺陷电力设备红外图像进行分类,对该模型进行实验对比分析,该模型对本文数据集中的七类缺陷电力设备红外图像的TOP-3分类识别准确率达到了90.74%。根据电流互感器的热缺陷类型的特殊性质,提出了一个改进的CNN模型对电流互感器的热缺陷类型进行分类,对该模型进行实验对比分析,电流互感器的热缺陷分类识别准确率达到了85.84%。本文所提出的电力设备缺陷检测算法可以很好的对电力设备进行缺陷智能检测,在实际应用中可以大大提高检测效率,降低电力设备运维成本,为智能变电站的建设做出了积极的探索。