电力运输是供电系统中举足轻重的一环,输电线路部件结构错综复杂,一旦出现故障则会危害整个供电系统的安全与平稳运转。定期对输电线路巡检,是维护电力系统安全的重要手段。当前,利用无人机进行智能化巡检成为一种常用巡检方式,实现对无人机获取图像中输电线路部件的高效、智能化检测对电力系统高质量运维而言具有重要意义。传统目标检测方法大多需手工提取特征,效率相对较低。随着深度学习的发展,目标检测模型在检测精度、检测速度及泛化能力等方面均取得较大提升。本文在总结分析输电线路巡检领域前人研究工作的基础上,做了以下几方面工作:（1）针对当前国内外输电线路巡检数据集匮乏、包含检测目标种类少、场景单一等问题。构建一个适用于输电线路巡检任务的数据集,由八种常见巡检目标组成;其次,为模拟丰富的场景与视角变化对样本集进行数据扩增,对标签进行聚类预处理,提升训练效果。与同类公开数据集相比,该数据集目标种类较多、背景多样性强、视角变化丰富、可为后续模型训练提供有力数据支撑,为提高模型泛化性提供帮助。（2）针对复杂场景下的输电线路巡检任务中模型实时性差、目标尺度变化剧烈、小目标难以检测等问题。设计一种轻量高效的EM-YOLO（Efficient Mobile YOLO）输电线路多部件检测方法。通过将深度可分离卷积思想应用到目标检测模型YOLOv5s的特征提取网络中,减少主干网络的参数量和计算量,进而提升算法运行速度;利用自适应空间特征融合方式（Adaptively Spatial Feature Fusion,ASFF）提升不同尺度特征之间的交互力度,增强特征融合效果,缓解目标尺度剧烈变化带来的精度下降;采用CIo U损失函数增强算法对位置关系的敏感性,减少因目标密集易重叠遮挡特性给检测结果带来的不利影响,实现对部件精准检测。多数据集实验验证,所提方法具有较好的环境适应能力,且有较高检测精度和检测速度,可完成复杂环境下的输电线路实时巡检任务。（3）针对雾天环境下输电线路巡检任务检测精度下降严重、目标错检、漏检现象严重等问题。提出一种适用于雾天环境下的输电线路多部件检测方法EF-YOLO（Efficient Fusion YOLO）。首先,设计密集连接嵌入的高效特征提取网络,将Dense Block嵌入CSP Darknet53中,实现雾天图像的高效特征提取;其次,采用金字塔分割注意力模块（Pyramid Split Attention,PSA）嵌入ASFF网络中构建金字塔分割注意力引导的自适应空间特征融合网络,完成多尺度特征的捕获与融合;最后,使用CIo U-NMS后处理策略提升最终的预测框质量。此外,利用大气散射模型,构建雾天输电线路巡检数据集。实验结果表明,所提算法与数据集结合,可较好的完成雾天环境下输电线路多部件的检测任务。