随着我国高速铁路技术的发展及其对自动化需求的提高,越来越多的牵引变电所向无人值守化发展,变电所中视频监控及巡检系统的智能化也变得尤为重要。所以本文的研究目的是为牵引变电所的远程智能巡检提供技术支持,主要研究如何实现牵引变电所视频图像的多目标识别。现有的牵引变电所监控图像的识别大都针对某一特定目标进行特征提取,无法完成多目标识别。并且不能同时完成鲁棒性好、速度快、准确性高的目标识别任务。本文正是针对这一任务展开的研究,不仅能做到鲁棒性好、速度快、准确性高的多目标识别任务,还能解决在很暗的状态下各色指示灯的颜色都发白,因而无法正确识别的问题。本文基于深度学习的理论,利用了深度神经网络的可迁移性,应用迁移学习的思想,克服了深度学习对数据和硬件的计算能力的依赖性。在计算能力和数据量都有限情况下的得到性能良好的可用于工程实践的牵引变电所视频图像的多目标识别模型。本文基于迁移学习的理论研究,利用SSD(Single Shot Mutibox Detector)和YOLOv2(You Only Look Once v2)模型,结合Python语言和TensorFlow平台,实现了识别准确度高、速度快和鲁棒性好的多目标识别方法。此模型迁移的方法针对牵引变电所视频图像中高压开关柜的仪表、分合指示灯状态以及高压隔离开关的分合状态都能进行自动识别。并且对像素图像的变化、外界环境和光线的变化和不同的摄像机角度都能准确、快速地完成识别功能。对变电所的无人值守化发展具有十分重要地工程意义。