随着红外成像技术的发展,使用红外仪器设备对电气设备进行热故障检测诊断已经成为电力设备巡检的主流方法之一。为了提高电力系统智能化水平,解决变电站电气设备热故障精准检测的问题,本文以深度学习技术为理论依据,提出了一种基于双监督信号卷积神经网络的电气设备红外故障识别方法。在设备故障图像预处理阶段,针对红外图像成像特点,本文提出了一种基于Slic超像素分割的HSV空间变换算法定位故障设备区域。通过Slic超像素分割算法合并相似像素成区域块,然后根据改进后HSV空间的亮度信息判别设备图像中的温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备。在识别阶段,本文使用GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,提出了采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练的算法。为评估算法性能,本文自行建立了含有700幅常见电气设备红外故障图像的数据集,其中500幅用于网络训练,200幅用于实验测试。实验结果表明,使用双监督信号深度学习算法测试准确率达98.6%,比单独使用softmax损失时准确率提高了1%。本文系统能够对变压器套管,电流互感器,绝缘子,避雷器,隔离开关,变压器,断路器,电缆,架空线路导线,变压器冷却器等十种电气设备及其对应故障精准定位,识别。