传统电流检测通常采用电流互感器、电流传感器等装置进行电量检测,存在产品规格多、体积大、笨重、成本高、安装运维不便（尤其是高电压、大电流的电流互感器）等缺陷。为此,本文创新性地提出一种通过测量检测点温度,并采用神经网络技术无限逼近能力,构建电流和温度关系的动态模型,实现检测点非电量方式检测电流。本文主要开展了下列研究:首先,导体通电必然导致温度变化,且导体温升与其通过的电流存在着非线性物理关系。为此,本文从电器发热理论出发,推导导体流通电流与温升变化关系,根据实时的温升变化获取实际电流,提出了一种基于温度的智能电流检测方法。提出两种测温系统,对导体及周围环境温度进行在线检测:1)基于Pt100的接触式测温系统;2)基于红外热像仪的非接触式测温系统。通过实验发现,非接触式测温方法更快速、准确,但存在一定误差。其次,为了进一步提升电流检测实时性和精准度,提出一种基于温度及神经网络算法的智能电流检测方法。根据温度检测获取的温度数据和其对应电流值,建立关于温度、温升、电流以及通电时间的数组样本,优化调整BP神经网络模型及自适应神经模糊推理模型（ANFIS）内部各参数及权值系数,构建温升变化的动态结构模型,并基于构建模型对检测的温升值进行预测补偿,从而获取对应电流值。进而,通过对大量样本数据进行训练与建模,采用Python语言编写机器学习程序,最终实现电流检测。实验研究发现,本文提出的BP神经网络模型及ANFIS模型,两者均能较为准确地检测电流,其中,ANFIS模型的预测效果更好,误差低于0.5%,准确级达到0.5级,能够满足工程实际需要;同时整个检测系统的体积仅为传统检测系统的一半,可实现开关设备小型化、轻量化。最后,考虑到电器设备散热条件不同,可能导致温度变化相同但导体中流过的电流不同,使得基于温度求解实时电流异常复杂。为此,本文提出了一种基于红外热图像及卷积神经网络的电流检测方法,通过红外热像仪获取被测导体及其周围的温度场分布红外热图像,然后对此红外图像进行图像处理与图像识别,最终实现电流快速、准确检测。对红外热像仪采集到的红外图像进行预处理后建立包含信息的图像数据集,使用基于Inception v3模型进行迁移学习,建立新的卷积神经网络进行模型训练,利用该卷积神经网络对红外图像进行快速搜索对比并输出对应的电流值。最终通过模型训练与实验验证了该方法的可行性。