红外检测方法和设备无接触,方便、快捷,不影响系统的正常运行,因此,已成为输变电设备状态检测的一种有效手段。但目前的输变电设备红外图像诊断主要靠人工对红外图片进行分析和判断,方法落后,效率低下。为了提高电网设备故障诊断的水平和效率,减轻工作人员的负担,研究了采用机器学习对变电设备类型进行自动识别的方法,研究了利用深度学习对设备结构区域进行自动划分的方法,并研究了在此基础上实现设备温度自动提取和设备状态自动判断的方法,以实现变电设备故障的红外智能诊断。首先,研究了红外图像中变电设备类型的自动识别方法。建立变电设备红外图像数据库,利用labelimg软件制作变电设备的VOC数据集,选择深度学习算法R-FCN,利用变电设备训练集进行模型训练,同时利用迁移学习、Resnet101和OHEM方法改进模型,有效提高各种变电设备的识别精度。实验及不同方法的对比表明,改进的R-FCN算法识别精度高,可定位得到较为完整、准确的目标设备,并且在复杂背景的红外图像的识别定位中具有可行性,为后续进行设备结构划分提供良好基础。接着,研究了红外图像中变电设备结构区域的自动划分方法。建立变电设备红外图像数据库,利用labelme软件制作各变电设备的结构数据集,选择深度学习算法Mask RCNN,利用变电设备各结构训练集进行模型训练,得到避雷器、电流互感器、电压互感器和断路器等设备的结构分割模型。根据识别模型的输出结果,选择相应的变电设备结构划分模型并输入,最终得到各类设备的结构划分图。实验及不同方法的对比表明,该方法所得的结构区域划分与设备的实际结构区域基本一致,为后续变电设备热故障的自动化诊断提供依据。最后,研究了变电设备热故障诊断的方法。在上述研究的基础上,结合变电设备红外诊断的规范、标准,研究了不同类型设备的故障诊断判据,确定了设备故障诊断的流程。