接触网支持、定位装置是组成接触网的重要部分,其正常运行与否直接关系到高速铁路能否正常运行,在铁路安全运营中具有重要意义。管帽、定位线夹是组成接触网支持、定位装置的重要零部件,螺母是定位线夹中的重要部分之一。管帽起着保护支持装置腕臂与定位管绝缘性的作用。定位线夹起着固定接触网接触线的重要作用。由于列车长期处于高速运行的状态,会不可避免地对支持、定位装置产生冲击,从而可能引起支持、定位装置零部件故障,进而导致列车不正常运行。因此,及时发现并排除接触网零部件缺陷尤为重要。目前针对接触网零部件故障主要的检测手段为人工巡线、人工检查4C装置拍摄的高清图片、传统算法进行缺陷识别,这些识别方法不仅准确率无法保证,而且检测时间过长,无法满足实时性,并且传统算法还存在鲁棒性差的缺点。近些年深度学习的方法也出现在了接触网零部件缺陷识别中,深度学习有着速度快、准确率高、鲁棒性好等特点,但是在现有的研究中针对于接触网管帽、定位线夹螺母这类小目标的故障识别较少,研究仍存在困难。本文采用深度学习的方法来定位管帽与定位线夹,并将定位得到的区域中的螺母、管帽进行缺陷识别。本文研究内容建立在4C系统拍摄的高清图片上,以管帽、定位线夹螺母图片为研究对象,利用改进Faster R-CNN算法实现管帽、定位线夹螺母的缺陷识别,主要的工作内如下:（1）在制作管帽、定位线夹定位样本集的过程中,利用DCGAN生成对抗网络扩充样本,并利用旋转、添加椒盐噪声的方式增加样本多样性;随后用Labelimg标注工具进行管帽、定位线夹标注,训练目标定位模型;将定位到的管帽、定位线夹区域进行裁剪,并用建立定位样本集相同的方法建立缺陷样本集;接着训练缺陷样本识别模型。（2）在目标定位模型中,通过K-means聚类算法对Faster R-CNN算法中的anchor boxes的比例以及面积进行改进,并更换原始Faster R-CNN算法中的VGG16特征提取网络,分别用Res Net50、Res Net101、Res Net152替换VGG16特征提取网络。通过比较识别的准确率、召回率、F1值、单张检测时间等指标选择管帽定位最优特征提取网络为Res Net50、定位线夹定位最优特征提取网络为Res Net101。最后将本文改进算法与SSD、YOLOv3的识别效果进行比较,验证了本文改进定位模型的有效性。（3）在缺陷识别模型中,提出一种改进的Faster R-CNN算法,将特征金字塔网络FPN层加入以Res Net101为特征提取网络的Faster R-CNN主干网络中,以此来提高特征提取层对目标的特征提取能力,用K-means算法对缺陷样本的标注框比例进行聚类,得出适合本文缺陷识别的anchor boxes比例并替换原始算法RPN层的anchor boxe比例,并增加两种anchor boxes面积,将ROIpooling算法改为ROIAlign算法。对本文改进缺陷识别算法进行仿真实验,仿真实验证明,本文改进算法可以有效、快速的识别出管帽、定位线夹螺母缺陷。随后将本文改进的缺陷识别算法与SSD、YOLOv3算法进行对比,验证了本文算法的有效性。