输电线路是国家电力输送的重要渠道,导线和绝缘子是其重要的组成部分。由于大部分的输电线路设备建设在户外,需要承受各种外界环境以及各种自然灾害的侵扰。其中由于冰雪的侵扰,输电线路的覆冰值超过设定的临界值,引起导线发生断线、杆塔倒塌、绝缘子闪络等事故,使输电线路无法正常的工作运行。因此,国家电网公司需要花费大量的人力物力对输电线路进行巡检,清除杆塔上的鸟巢,除去导线和绝缘子上的覆冰。我国幅员辽阔,地形复杂,气候差异大,输电线路分布广泛,给工作人员巡检工作带来很大的困扰。为了辅助电网工作人员的巡检工作,本文通过采用图像处理技术处理输电线路的图像,提出了一种基于Deep Convolution Neural Network(后使用DCNN代替)的无人机航拍输电线路图像的特征识别分类的算法,并针对覆冰图像进行了详细的计算。首先,建立了一个输电线路图像数据集,并将数据集分为了预训练集和测试集;然后,通过使用由QT5和Python共同搭建的图像标记工具,对预训练集中的图像进行手工标注以及分类;其次,将这些预训练集里的图像输入到深度卷积神经网络里面,并结合改进的SVM多分类器,从而训练生成一个输电线路图像分类模型;接着,将测试图像输入到该模型里面,得到该图像的类别;进而,再将图像输入到一个判断模型,如果该图像为正常的,则跳过;如果该图像为覆冰图像或是含有鸟巢的图像,则将该图像输出;最后,对输出的图像做进一步的处理,得到这些图像的实际坐标信息,用以指引工作人员前往做好排障处理工作。实验结果表明:本文提出的基于深度学习的无人机航拍输电线路图像特征识别分类算法对输电线路图像能够很好的分类;使用的覆冰厚度计算方法也能够准确的计算输电线路图像的覆冰厚度,计算的误差与当前工作相比,具有一定的优化。因此本文提出的算法对输电线路特征识别分类、导线绝缘子图像的覆冰厚度计算有一定的参考价值。