变压器是配电设施中的重要设备,预防、检测、及时排除设备故障是维持电网安全运行的必要条件,准确诊断、及时修复设备具有现实意义。传统的变压器故障检测方法存在不能带电运行检测、不能保障安全性等问题,难以满足快速增长的实际检测需求。近几年,红外成像技术日益成熟,设备制造成本降低,因而该技术逐渐使用到电力设备故障检测中。基于红外图像的变压器检测方法已经在实际应用中取得一定效果,但是还有一些不足,例如拍摄图片分辨率低、难以从图像中有效分离出设备、对专业人员的经验要求高、自动化、智能化程度低等。本文针对目前检测方法中的不足,对检测方法深入研究,提出了一些在诊断前对设备图像预处理的方法,以期将来获得更好的诊断效果和提高诊断的自动化、智能化程度,并设计验证实验检验处理方法的正确性。本文主要对三部分进行研究:对采集的局部区域图像进行拼接获得高分辨率的完整设备图像,对采集的红外图片自动识别其中设备的类型,对识别为变压器的图像进行自动分割分离出设备区域。在变压器红外图像拼接中,本文研究了基于点特征的图像拼接算法,结合变压器红外图像的特点比较了常用的特征检测方法,提出了一种基于sift特征匹配、结合空间约束和RABSAC方法去除误匹配的特征匹配算法,并使用该算法对变压器红外图像进行拼接,取得较好的拼接效果,从而获得较大视野的设备红外图片。在设备类型自动识别上,先介绍了传统的先分割图像再提取特征的分类方法,尝试使用深度学习方法对原始图像自动提取特征并识别设备,分析了传统神经网络和卷积神经网络的原理及后者在处理图像数据时的优势,并使用卷积神经网络方法对实验数据集中的变压器和绝缘子进行分类,实验结果表明,该方法在设备类型识别上具有不错的分类正确率。在变压器区域自动分割方面,本文研究了常用图像分割方法的分割效果,从效果看使用单一的方法难以有效地从复杂背景中分离出变压器设备,进而提出一种综合方法来实现准确分割红外图像中的变压器,该方法结合图像的MSER区域、灰度分布特点、Hough检测和数学形态学等多种处理方法,经现场实验分析,该方法有较好的分割正确度。