随着光伏装机容量不断增多,影响光伏发电效率和生产安全的故障问题也越来越受到重视,而热斑是影响光伏电站非正常运行的主要因素之一。热斑在潜伏期会影响光伏发电效率,在没有干预的情况下,热斑会继续发展,导致该区域温度不断上升,直接影响光伏电站的安全运行,然而,传统检测方法效率较低,准确率不高,因此对光伏组件进行高效准确地热斑检测是保障光伏发电系统安全正常运行的关键环节之一。本文以光伏电站采集的光伏组件红外图像为研究对象,基于卷积神经网络能够通过训练来提取目标特征且识别精度高的特点,提出一种基于注意力的密集深度可分离多尺度残差网络AB-DDSMSRnet（Attention Based Dense Depth Separable Multi-Scale Residual Network）用来实现光伏组件的热斑检测。首先,以采集的光伏组件红外图像为数据源,利用图像分割、随机旋转、随机水平移动、随机垂直移动等图像预处理方法,在除掉不清晰图像的基础上构建并标识具有8个类别的光伏组件红外图像数据集。其次,为了充分提取红外图像的特征信息,设计一种基于残差思想和深度可分离卷积相结合的深度可分离多尺度残差模块DSMSRB（Depthwise Separable Multi-scale Residual Block）,DSMSRB采用多卷积核提取特征,并选用更加平滑的激活函数Mish以保证信息流更好在网络中流通。基于DSMSRB提出一种深度可分离多尺度残差网络DSMSRnet（Depthwise Separable Multi-scale Residual Network）。通过在光伏组件红外图像数据集上与5种不同的神经网络进行比较,DSMSRnet模型取得90.98%的最高准确率。最后,为保证任务的识别快速性,基于密集连接的思想对模块进行优化改进,设计一种密集深度可分离多尺度残差模块Dense-DSMSRB（Dense Depthwise Separable Multi-scale Residual Block）,在整合图像特征信息的同时减少模型运算量,并针对图像的色彩和纹理显著的特点,利用通道注意力机制改进过渡层,在此基础上提出一种基于注意力的密集深度可分离多尺度残差网络ABDDSMSRnet（Attention Based Dense Depth Separable Multi-Scale Residual Network）。实验结果表明,优化后的AB-DDSMSRnet模型,在运算速度和准确率上显现出更优异的效果。