近年来,计算机视觉尤其是深度学习在各领域得到了广泛应用。而随着我国电力行业的蓬勃发展,输电线路的安全可靠至关重要。为避免重大事故的发生,必须对输电线路进行定期巡检。传统人工巡检已经逐渐被无人机巡检所取代。随之而来的是大量的航拍图像,对这些巡检图像的处理采用人工分拣的方法已经无法满足智能电网的需求,采用深度学习技术进行航拍图像的分类处理势在必行。本文围绕深度学习模型对航拍图像的分类进行了研究。首先研究了图像分类过程中用到的图像去噪、图像分割相关算法以及几种常见的深度学习模型,为本文接下来的工作提供了理论依据。然后,针对传统人工设计特征存在分类精度低的问题,本文通过深度残差网络提取深度特征,且与不同的分类器结合,通过实验验证了深度特征与支持向量机结合的效果最好。随后针对采用单个分类模型不够理想的问题。本文分别采用50层和152层的深度残差网络提取特征,分别训练支持向量机(SVM),并根据两个分类模型的表现力,进行加权融合,获得了更高的分类准确率,实现了对输电线路部件的初分类。最后对输电线路中最易发生故障的绝缘子进行再分类。针对传统算法易受环境影响的问题,提出采用Faster-RCNN的方法对绝缘子进行检测,剔除环境和其他部件的影响,随后将其分割为单个盘片,采用深度残差网络提取特征,最后送入稀疏表示分类器进行绝缘子的状态分类。实验结果表明本文方法具有更高的分类准确率且具有一定的可扩展性。