电力需求的日益增长促进了输电线路网络的扩展,加上输电线路经过区域地形、气候多变,对保障线路安全运行提出了更高要求。一旦线路出现故障,往往会引发严重后果。因此,通过一定的故障诊断方法迅速发现和识别故障,以支持及时修复,保障输电线路的长期良好运行,具有重要的现实意义。故障诊断的基础在于获得及时,可靠,丰富的数据。现有方法多利用线路的电流和电压等参数对线路状态进行评估。其优点在于容易获取,能够较快得出结论,但不足之处是难以确定故障的具体位置和类型。因此,人们将注意力转向了其它数据获取方式,其中的一个重点就是智能机器人巡线技术。该技术拥有较高的巡检效率,并能够提供高质量、多类型的丰富数据。这些数据,若能适当处理,整合,再结合表达能力较强的诊断方法,有助于提升线路诊断的效果。针对上述问题,本文从巡检数据获取、处理,诊断模型构建和模型仿真实现等方面研究了利用机器人巡检数据和动态贝叶斯网络诊断输电线路故障的方案。主要研究了巡检数据处理和动态贝叶斯网诊断模型的构建。首先,对机器人巡检获取的数据类型进行总结,依据现行高压输电线路巡检标准,分析了获取线路数据的特点,并研究了线路数据信息融合问题,实现了对机器人巡检数据的综合高效利用。其次,对线路故障成因进行了详细分析,并根据其对线路状态的影响,归纳了观测变量与各单元和线路运行工作状态的关联性；第三,基于动态贝叶斯网络及对线路的认识,构建了故障诊断模型,进行了理论推导；最后,使用Netica概率推理工具仿真实现,通过对比动态贝叶斯网络和静态贝叶斯网络的诊断结果,证明了前者在故障诊断方面有更好的表现。