随着人们环保意识的增强,鸟类栖息范围逐渐变广,然而鸟类的频繁活动对输电线路的安全稳定运行造成了严重影响。传统输电线路鸟害治理方式在应用初期具有较好的驱鸟效果,但随着时间的推移鸟类逐渐适应了驱鸟装置,从而导致驱鸟器功能失效。为完善传统驱鸟方式的不足,本文采用深度学习算法对输电线路附近鸟类进行检测,然后根据检测结果控制驱鸟器的启停,削弱鸟类对驱鸟器的适应性,达到实时有效且节能环保的驱鸟目的。然而深度学习模型计算量较大,一般需运行在性能较好的服务器上,若将现场的采集图像传输到远端服务器则会产生网络时延,传输过程中也可能会丢失检测结果,从而影响驱鸟效果。因此本文提出了适用于移动端的深度学习目标检测算法,以解决输电线路鸟害治理问题。文章首先介绍了现有的深度学习目标检测算法以及深度学习模型压缩方法,并且讨论分析深度学习目标检测算法在移动端应用的困难和解决方案。然后,从相关模型的发展历程、算法思想、网络结构和模型性能等方面深入研究和分析了传统目标检测算法的局限性,之后基于深度可分离卷积思想改进YOLO v3算法的特征提取网络,提出适用于移动端的目标检测算法,并从理论层面分析算法模型的压缩效果及可行性。最后,从实践角度出发将本文算法应用于输电线路鸟类检测任务,实验结果表明,该模型准确率可达到83.67%,检测速度达到63FPS,能够满足输电线路鸟类检测任务的精度要求及实时性要求,对输电线路鸟害治理具有积极意义,本研究成果具有广泛的应用前景。