红外检测技术以高效率、不停电作业的优点在电网设备故障诊断中得到了广泛的应用,红外热像仪在变电站的配置日益普遍,行业主管单位制定红外检测工作国家标准并不断更新,各省市单位纷纷制定红外检测作业指导手册,极大地推动了红外检测技术在电网设备故障诊断中的应用,加快了检修方式由事后检修向状态检修的转型速度,提高了电网运行维护工作效率,对电力系统安全运行具有重要的积极意义。在变电站日常红外检测工作中,一方面积累了大量设备的红外图像样本,单纯由运行维护人员人工处理导致了巨大的工作量,并且可能因主观性导致故障的误判和漏判;另一方面部分设备发生的电压致热型故障在红外热像图中表现不明显,加之红外图像成像质量的影响,通过图像难以直接判断设备的运行状态。同时,变电站内设备种类多,不同类型设备故障表现形式不同,所需的处理方式也不同,没有形成具有适用性的标准处理方法。本文针对上述红外检测工作中的问题,首先分析变电站内绝缘子串、避雷器、断路器、CT、CVT、变压器高压套管和隔离开关几类关键设备的结构、故障类型和红外热像图特征;然后提出了对这几类设备具有适用性的红外图像标准处理流程,并根据每类设备的具体结构特点作相应优化,实现目标区域的分割提取;最终根据图像处理结果和设备特点构造温度特征向量,利用BP神经网络方法实现设备故障的识别。最后,为进一步提高诊断效率,实现图像处理方法和检测网络的自动选择,本文利用卷积神经网络(Convolutional Neural Network,CNN)实现设备红外图像分类,建立最终的变电站关键设备红外检测方法和流程。结果证明本文所提出图像处理方法、故障识别网络和图像分类网络在个体和整体上均具有较高的准确性,有助于进一步提高红外检测工作在电网设备故障诊断中的效率和实用性。