输电系统是电网系统的一个重要组成部分。所有的高压输电线路都处于露天环境中,其安全稳定的运行受到天气、动物活动等多方因素的影响。鸟类在输电线路附近活动会对输电系统的稳定运行造成威胁,鸟粪在输电线路中下落可能会造成闪络引起线路跳闸。电力系统已经采取一些防治鸟害的措施,不仅人力物力耗费巨大,而且防治效果欠佳。目前,出现了一些基于鸟类检测的驱鸟技术,通过一些检测设备去检测鸟类,再根据检测结果进行驱鸟。这些检测设备容易受到其他非鸟类的移动物体影响,误报率高。因此,亟需一种能够准确识别鸟类的算法。本文采用SSD模型作为基础模型进行研究和改进。SSD模型是基于深度学习的目标检测算法,该算法的优点是具有较快的检测速度的同时还拥有较高的检测精度,但是对于小目标的检测不够准确。然而,在杆塔上拍摄到的图像中,鸟类相较于其他背景物体在图像中的占比都比较小,基本上都属于小目标。因此,本文在SSD算法的基础上引入注意力机制进行改进,以提高模型的检测精度。之后,结合实际应用背景,继续对模型进行改进,并利用标注工具将含有鸟类的输电线路图像制作成数据集,使用迁移学习的思想对改进后的模型进行训练,最终得到了能够对输电线路上的鸟类进行有效检测的算法。本文中,基于注意力机制改进的SSD模型在Pascal VOC2007测试集上的检测精度达到了 78.5%mAP,相较于原始的SSD模型提高了 4.2%mAP。基于SSD的鸟类检测算法在自制数据集上的精度达到了84.1%mAP,检测速度为30FPS。