绝缘子是输电线路中的重要设备，其运行状态直接影响电力系统的稳定性和正常运行。因此需要采用智能化的方法对无人机获取的大量绝缘子图像数据进行处理和分析，为电力巡检提供可靠的参考信息。本文针对绝缘子故障分类这一任务，从以下两个方面展开研究：
　　(1)绝缘子故障分类的前提是在绝缘子图像上准确地识别和定位出绝缘子。因此，本文首先对基于卷积神经网络的绝缘子识别算法展开研究。针对使用FasterRCNN目标检测模型存在定位绝缘子目标不够准确和容易对尺寸较小的绝缘子漏检的问题，提出一种注意力机制和FasterRCNN相结合的绝缘子识别方法。首先，在VGG16网络中引入通道注意力网络SENet(Squeeze-and-Excitation Networks)结构，筛选并提升与绝缘子目标相关的特征通道并弱化其他与目标无关的特征通道；其次，在区域建议网络(region proposal network，RPN)中调整锚点(anchor)的生成机制，加快模型收敛速度，提高识别准确率；最后，运用注意力机制融合并更新建议框在全连接层上的特征向量。实验结果表明，相比较传统的FasterRCNN目标检测算法，改进后的算法能够较好地识别和定位出不同尺度的绝缘子，具有较高的识别准确率和较低的漏检率。
　　(2)为进一步实现输电线路绝缘子的故障分类任务，本文在已实现的改进卷积神经网络绝缘子识别算法的基础上结合图像处理算法，提出一种绝缘子故障分类模型。首先，对识别出的绝缘子目标区域进行剪裁，去除大量背景噪声；其次，针对裁剪后的图像存在光照、背景噪声和拍摄角度的影响，利用HSV颜色空间自适应阈值算法和图像水平校正进行处理；最后，进行自适应阈值分割和垂直投影，对分割出的绝缘子进行故障分类。实验结果表明，本文所提出的绝缘子故障分类模型能够有效地识别出绝缘子，并分类出绝缘子故障类型，能够满足输电线路智能巡检的要求，具有较高的工程应用价值。