近几年,我国在电气化铁路建设方面成果显著,铁路里程数已处于世界领先地位。绝缘子是铁路运输电网中的关键部件,但绝缘子常年裸露在户外环境中,其表面容易积攒灰尘等杂质,潮湿天气下会形成导电性溶液,导致绝缘子局部放电,热故障频发,严重影响列车的行驶安全。现阶段绝缘子巡检仍以人工为主,但该方法已不能满足维护我国铁路发展的需要,因此如何实现自动化巡检具有重要的现实意义。本文主要研究如下:（1）为了获取图像中绝缘子的位置,本文首先采用传统的方向梯度直方图（Histogram of Oriented Gradient,HOG）和支持向量机（Support Vector Machines,SVM）算法对绝缘子进行检测。此算法鲁棒性强,训练速度快,无需进行复杂的参数设置,只需少量数据,就可以成功识别定位出图像中的绝缘子。但是这个算法只能提取到图像中的浅层特征,适用背景比较单一,检测效率较低,对实现智能检测绝缘子具有一定的局限性。（2）针对HOG和SVM算法的缺点,提出了基于改进的Faster-RCNN检测算法对绝缘子进行检测,进一步提高绝缘子检测精度。原始Faster-RCNN算法使用Vgg16作为特征提取网络,具有参数量较大、收敛性较慢等缺点,故本文采用Inceptionv2取代Vgg16作为特征提取网络,Inceptionv2网络结构由多个Inception＿module连接,提高了网络深度,从而具有较高识别精度,并在每个输入层前加入了归一化层（Batch Normalization,BN）对数据进行归一化处理,提高网络收敛速度。实验结果表明基于Inceptionv2网络的Faster-RCNN算法在测试集上的平均精确度均值相较于原算法提高了3.5%左右。（3）使用红外技术检测绝缘子热故障时,为了减少热成像图中无关背景影响,提高绝缘子热故障检测效率,本文使用基于深度学习的Mask-RCNN算法对红外图像中的绝缘子进行分割,获取绝缘子的具体结构区域。由于绝缘子采集背景复杂多样,特征提取网络采用残差网络Res Net101来取代原算法中的Res Net50网络,从而提高网络特征提取能力。实验结果表明基于Res Net101的Mask-RCNN算法在测试集上的平均精确度均值相较于原算法提高了3.2%左右。（4）考虑到算法的实践应用,最后将基于深度学习的检测和分割算法模型导出、部署,通过浏览器将图片传输到后端完成检测和分割任务。后端再将检测和分割结果传输到前端,实现了前后端分离,进一步证明了基于深度学习的检测和分割算法的可实施性。