在输电线路中,绝缘子是重要的电气绝缘设备之一,主要作用为绝缘和支撑。近年来,绝缘子在全国各地相继发生了绝缘子钢帽腐蚀现象,造成绝缘子机械性能和电气性能的下降,危害国民生产安全,因而有必要做好绝缘子的日常巡检工作。对于绝缘子钢帽腐蚀现象,目前暂时没有相应的有效识别检测方法,因此本文在对比基于图像处理和基于深度学习的目标检测算法的实现原理后,选定Faster-RCNN作为本文的绝缘子钢帽腐蚀检测算法并对其进行改进。同时本文还提出一种基于图像处理的绝缘子腐蚀通道面积占比检测的算法,可进一步衡量绝缘子腐蚀通道区域的面积。本文主要内容包括:（1）航拍图像中绝缘子腐蚀的检测及定位。研究了一种改进的基于Faster-RCNN深度学习网络算法,利用该算法对输配电线路中的绝缘子进行腐蚀检测。首先研究了 Faster-RCNN算法的流程及原理,分析本文检测任务的特点,对比使用三种特征提取网络后选用ResNet-101作为本文的特征提取网络,在原算法基础上实现高层语义特征与低层细节特征相融合的多尺度特征融合网络,提升模型提取和表达特征的能力,同时在模型损失函数中引入分类权值以平衡模型对各类别的关注程度,并依据绝缘子的形状特征调节模型训练的关键参数。对改进的算法进行实验测试,给出改进模型的测试结果,展示测试实例,改进模型mAP值提高了 15.3%,达到85.41%。采用消融实验的方式验证各改进部分的有效性,与YOLOv3算法在相同数据集上进行对比实验。（2）对绝缘子腐蚀面积占比检测。研究基于图像处理的算法对绝缘子腐蚀面积占比进行计算。算法主要分为五步:图像去噪、图像增强、图像分割、提取面积并计算占比。在研究中从图像情况及腐蚀的特征出发,选取恰当的图像分割方法及腐蚀通道区域和伞片区域的提取方法,可视化展示各图像处理操作的结果。实验选取多片腐蚀绝缘子进行检测计算,实验结果验证本文算法具有有效性。本文提出的算法具有一定的实用价值,为实现基于航拍图像的绝缘子腐蚀检测提供了技术方法。