配电线路通道环境隐患识别是智能配电网线路通道安全巡检的重要研究内容。树林,农田,河流,工地等配电线路途经地形地貌作为配电线路通道的薄弱环节,是树障,鸟害,倒杆以及外力破坏等潜在隐患的多发地带。然而传统的人工巡检查找潜在隐患地区的方式效率低下且存在危险,给电力运维人员带来了很大的困扰,因此,急需对配电线路的自动隐患定位与识别技术,以便运维人员快速排除隐患。本文在国内外相关研究的基础上,设计了基于卷积神经网络和遥感探测技术的配电线路通道环境隐患识别算法,可为电网运维提供有力的技术支撑。本文的主要工作有:（1）基于卫星影像覆盖面广,清晰度高以及可以反应配电线路通道真实地形地貌等特性,本文提出了两种基于GIS技术的配电线路通道环境抓取算法,用于实际配电线路通道环境的抓取以及后续配电线路通道地形地貌识别的数据来源。为了解决当前电力领域配电通道环境数据集缺乏的瓶颈,本文利用基于Google Map的配电线路通道抓取算法建立了专用于配电网领域的地形地貌检测数据集,且采用Labelimg标注,建立进一步识别数据集,并将其分为树林,农田,河流,工地四类隐患地形。同时提出了一种适用于大多数GIS平台的基于地图API的多级别线路通道抓取算法,并以高德地图为实验案例获取了高分辨率的杆塔周遭环境。（2）针对配电线路通道隐患地形地貌检测数据集,本文提出VGG16特征提取网络+Faster RCNN框架+所提轻量级卷积神经网络实现的配电线路隐患地形地貌的定位与检测。首先采取VGG16深度卷积神经网络提取其高层次的特征表达,随后基于Faster RCNN智能算法训练配电线路通道地形地貌检测模型,训练阶段总共保存了20个模型,分析Loss曲线选取收敛后的模型进行测试,选用AP值最高的模型作为该类别地形地貌的最终检测模型。对于Faster RCNN检测后的置信度比较低的地形地貌隐患,本文提出了一种结构简单,运作高效的卷积神经网络对其进行再分类,以期综合提高配电线路隐患地形地貌的识别率。该网络采用了L2正则化结合Dropout层避免网络过拟合,采用Adam优化算法更新参数。实验表明该网络对于不同地形隐患的识别率较高,其中工地分类正确率为94.9%,农田分类正确率为76.7%,山林分类正确率为94.4%,河流分类正确率为70.6%。