绝缘子是电力系统使用范围最广、数量较大的重要电工部件,其本身的工艺缺陷和长期处在复杂的外部环境中,很容易闪络或者掉串,一旦发生将会导致电网出现大面积停电。良好的目标检测方法能够实现绝缘子的自动检测,为后期进行绝缘子状态检测和故障检测提供基础。利用计算机视觉的手段能快速、准确的检测绝缘子,可以大大提高巡检效率,对电网的有效安全运行具有重要意义。本文立足于输电线路巡检图像中绝缘子的检测问题,针对目前存在的深度模型检测算法对绝缘子检测效果不佳的现状完成了以下工作:由于目前深度学习视觉领域内没有绝缘子的数据集,针对现有模型无法检测绝缘子目标的问题,构建了输电线路绝缘子图像检测数据库,并利用此数据库对深度模型SSD(Single Shot multibox Detector)进行相应的微调。微调后的SSD模型对巡检图像中绝缘子的检测效果有明显的改进,实现了检测绝缘子的零的突破,并对部分简单背景的绝缘子图像拥有良好的检测结果。针对微调后的SSD模型对部分复杂背景和低分辨率的情况下,输电线路绝缘子检测效果不佳的问题,提出了一种基于SSD的绝缘子目标特性的自适应默认框的方法,忽略现实生活中绝缘子的特定比例,通过统计数据集中绝缘子的长宽比特性,实现默认框中长宽比关于绝缘子图像目标特性的自适应改变,使不同宽高比和不同尺度的绝缘子有了更好的检测结果,将SSD模型在VGG-16 Net下的mAP值进一步提高到了0.875,精度和性能基本上可以满足电力线图像自动实时处理的要求。针对多尺度模型能对图像中小目标有良好的检测效果,本文基于SSD模型,对其多尺度层进行深入研究,综合层熵的衡量方法,采用候选区域平均熵的标准,将目标物体合适的浅层特征与深层特征相合并,明显提高了小目标绝缘子的准确率。