鸟类的筑巢行为会影响输电线路杆塔的安全运行,极易造成线路短路或跳闸。为了保证电网的正常运行,必须对鸟类在输电线路上的筑巢行为进行监控、预警和防护。针对输电线路杆塔上的鸟巢问题,本文提出了一种基于数字图像处理技术的输电杆塔鸟巢识别方案。本文针对高压杆塔上鸟巢识别方案进行了研究和实验。该方案包括三个环节：图像预处理,图像特征提取以及分类器的机器识别。分类器的输出既可以直接对单幅图片进行识别,又可以统计多幅图片的识别正确率。在具体实现时,首先对收集来的鸟巢图片进行灰度化处理和插值转换,降低图像数据并统一图像分辨率。针对单一杆塔图像有无鸟巢的识别,采用连通域识别判断；针对大量样本的杆塔图像库有无鸟巢的识别,研究并实现了两种特征提取的方法：主成分分析方法(PCA)和Gabor滤波方法,并分别用它们对鸟巢数据进行了实验。通过Gabor小波提取图像的尺度和角度信息,再利用PCA进行数据压缩。最后,在.分类器方面,对比了BP神经网络、支持向量机(SVM)、极限学习机(ELM)三种机器学习算法的识别效果；分析了不同维数对极限学习网络识别正确率的影响,并研究了不同算法对样本个数的敏感特性。实验结果表明,在大样本杆塔图像鸟巢有无机器识别中,极速神经网络相比支持向量机和BP神经网络,能取得更高的识别正确率。本文最终选择的Gabor+PCA对杆塔鸟巢图像进行特征提取,并利用ELM算法作为分类器进行鸟巢图像的识别判断。