随着全球对于可再生能源需求的增加,作为清洁能源的光伏发电得到巨大的发展,光伏电站的数量在过去的十年中呈现指数式增长。太阳能光伏发电站的大规模部署,复杂的当地气候和环境会导致光伏组件的缺陷故障,从而导致发电效率的下降,甚至产生安全问题。为了保证发电效率维持光伏电站的正常运行,同时减少光伏图像的人工标注成本,需要以高效低成本的方式对光伏电站进行巡检和故障诊断。本文对基于小样本学习的光伏红外图像缺陷检测算法进行研究,主要从模型任务简化、深度预训练模型、检测网络结构优化三个方面对缺陷检测算法进行小样本学习研究。本文的主要工作内容和贡献如下:（1）提出了一种简易的无人机红外巡检系统。在硬件层面,基于大疆M300无人机和H20T红外相机搭建了红外巡检平台;在策略层面,设计了一种垂直光伏面板的图像拍摄采集方式,减少图像畸变问题。最终采集到海南、江苏和内蒙三地的光伏电站图像数据集,共计3888张红外图像。（2）提出了一种基于传统图像处理技术的小样本光伏缺陷检测算法。该方法是一种两阶段检测算法,通过优化模型结构和预训练权重微调的方式来实现模型训练所需样本量的减少。在模型结构层面,使用边缘检测分割方法替代复杂的RPN（Region Proposal Network）网络实现组件定位,同时在缺陷检测精度上进行提升。在三个红外光伏数据集上m AP均达到0.89以上,在20%训练样本的小样本条件下m AP达到0.77左右,而在仅使用5%的训练样本下,数据集的平均m AP达到0.51,证明了算法在缺陷检测任务上的准确性和泛化性。（3）提出了一种基于深度学习的小样本光伏缺陷检测算法。该方法采用基于深度学习预训练模型、注意力机制主干网络改进和检测头改进,以实现小样本缺陷检测。三部分改进都对增强模型小样本学习能力和整体缺陷检测性能有所提升,并通过相应的消融实验得到验证。在三个红外光伏数据集上m AP均达到0.92以上,在20%训练样本和5%训练样本的小样本条件下,也分别取得0.895和0.817的准确率,显示了相较（2）中方法提升了准确性且在小样本任务中更能实现模型性能的保持。