电气化铁路近年来已经成为了我国最主要的铁路牵引动力方式，其覆盖范围越来越广，在铁路中的比例也越来越大，而保证接触网设备的正常工作对电气化铁路的安全运行起到至关重要的作用。如今以深度学习为手段的接触网异常检测技术正逐渐成为主流方法，然而深度学习对于数据量的要求很高，因此为了进一步提高基于深度学习的接触网设备检测的准确性及可靠性，找到高效且智能的数据增强技术具有重要的意义。
　　本文的研究工作以6C系统中接触网安全巡检装置的技术规范为支撑，以车载3C摄像机所拍摄的接触网图像作为实验对象，提出一种适合电气化铁路接触网检测的数据增强方法Railway-SmartAugment，对接触网吊弦和支架的检测模型进行数据增强，并使用深度卷积生成对抗网络对吊弦及绝缘子异常检测中的小样本异常数据进行数据增强，最后通过实验测试验证了本文所提的数据增强方法的有效性和面对接触网环境的适应性及可行性。本文的主要工作及创新内容主要包括以下几方面：
　　首先，针对接触网设备目标检测中手动标注数据无法满足模型训练对海量数据需求的问题，同时为了提高数据增强的效率，提出了一种SmartAugment方法，可随机融合数种不同的图像增强方法对数据集进行增强。并通过实验对比证明其对检测模型效果的提升。
　　然后，在SmartAugment基础上，针对接触网环境的独特性和复杂性进一步加入了三种改进增强策略，分别是雨雾天气效果、主成分分析增强以及动态模糊增强，形成了Railway-SmartAugment增强方法，并和SmartAugment以及传统数据增强方法三者增强后的目标检测模型效果进行对比，其中采用了三种评价指标分析三种不同天气条件下的模型效果，最终验证了Railway-SmartAugment的有效性和对接触网的适用性。
　　最后，针对接触网吊弦和绝缘子异常检测问题中异常数据过少、样本不平衡的问题，提出了一种基于改进的深层卷积生成对抗网络(DCGAN)的小样本数据增强方法，通过实验验证，并和DCGAN进行对比证明了其可行性和有效性。