作为国家电网建设的一项核心关键技术，输电线路智能化巡检对保障电力系统的安全稳定运行至关重要。随着机器学习技术的不断发展，以基于无人机航拍的深度学习线路巡检替代传统的人工巡检已成为主流趋势。然而在实际无人机拍摄的巡检场景图像中，目标尺度大范围变化导致SSD、FasterR-CNN等深度学习方法的检测精度受到了严重制约。为此，本文从电力目标检测数据集制备、候选区域形态选择、多尺度特征融合增强和RoI池化四个方面，开展输电线路变尺度目标检测算法研究，对提高变尺度电力目标检测的精确性与适应性具有重要意义。本文具体工作和研究内容如下：
　　首先，面向输电线路视觉巡检任务的实际需求，构建标注了一个电力目标检测数据集。数据集包含6类典型目标，共33155张图像，涵盖不同的目标尺度、不同的拍摄视角、多种场景的巡检目标图像；包含背景复杂，光照、视点变化等常见干扰因素。
　　其次，针对FasterR-CNN预设的锚框与电力部件尺度不符导致精度下降的问题，使用K-Means聚类算法学习数据集中各类电力部件的形态分布，进而根据结果设置锚框的尺度和长宽比，提高区域建议网络对于变尺度电力目标的适应性。
　　然后，针对深度特征对于变尺度目标描述精度不足的问题，提出一种基于上下文特征增强金字塔的电力部件检测方法。该方法由特征分辨率放缩、上下文特征融合、特征增强和特征重映射四个步骤组成，通过对来自金字塔四个层级的特征加权求和，得到具有上下文信息的全局尺度特征，然后将该特征通过多维特征增强模块后，重新与金字塔高低层特征相融合。实验结果表明，与传统的特征金字塔结构相比，本文方法提取的特征图信息量更加丰富，显著提高了变尺度目标检测的精度。
　　最后，为了解决变尺度目标定位不精确导致误检率高的问题，设计了改进的目标检测网络。针对候选区域分布质量不佳的问题，引入级联R-CNN模型，逐步优化候选区域的分布，减少低质量噪音边界框的干扰。针对候选区域的特征存在位置偏差导致目标定位不精确的问题，采用双三次插值的RoI池化方法，取消RoIPooling中的两次量化操作，利用采样点周围的16个整型特征点获取采样点的双三次插值特征值， 将特征获取的过程由离散化转为连续化。实验结果表明，改进的方法具有更优异的定位性能。
　　本文提出的方法提高了变尺度目标检测的精确性与适应性。该研究结果突破了变尺度目标检测精度低的局限，为输电线路智能化高精度巡检系统研制提供了一种新的技术途径。