受电弓-接触网系统（弓网系统）是高速铁路牵引供电系统的重要组成部分,其动态特性和服役状态直接影响高速铁路运营安全。由于弓网系统大多暴露在露天环境中,易受到极端天气和环境因素影响,并且长期运行于动态激励（动车组冲击、风载荷等）,将会直接或间接地导致大量局部异常状态甚至破坏性后果,从而降低弓网系统的可靠性、增大弓网系统的运行风险。因此,及时获取弓网系统运行状态和健康状况是对弓网系统进行有效维护的先决条件,对保障高速铁路安全稳定运行具有重大意义。目前,已投入使用的高速铁路供电安全检测监测系统（6C系统）利用计算机视觉技术实现了弓网系统的连续状态监测。然而,如何从高速铁路线路监测数据中准确的发现各种异常情况是当前亟需解决的重要难题。为此,本文根据6C系统检测监测数据展开研究,旨在实现弓网动态特性的智能监测和接触网异常状态的智能检测,以提高弓网系统检测监测智能化程度。本文首先介绍了弓网动态特性监测和缺陷检测的研究背景及意义,研究了基于计算机视觉的接触网动态特性监测和接触网零部件缺陷检测现状,并阐述了弓网检测监测系统构成和深度卷积神经网络的架构。基于深度学习理论,本文重点研究了弓网动态特性监测方法和接触网零部件缺陷识别方法。针对弓网动态特性的检测,本文研究了弓网关系监测系统,并建立了视觉测量模型,从而实现接触网动态几何参数的检测。然而,由于弓网监测视频图像环境背景复杂,精确的捕捉弓网接触点成为了动态几何参数检测过程中的重点和难点。为此,第三章分析了弓网监测视频的图像特点,综合深度卷积神经网络和传统图像处理方法,提出了弓网接触点捕捉方法以应对复杂的环境背景干扰,并在弓网监测视频数据集上对其接触点检测能力进行了实验,研究结果表明,深度卷积神经网络的引入大大提高了检测算法的鲁棒性和复杂环境的应对能力。此外,还分析了检测误差产生原因,并对车体振动导致的误差提出了相应的补偿方法,进一步提高接触网动态几何参数检测精度,并通过实验验证了补偿方法的有效性。针对接触网异常状态检测,本文主要研究了基于视觉的接触网零部件的缺陷检测方法。首先,接触网零部件的缺陷检测面临着样本不均衡问题,即缺陷样本极度匮乏,这为深度学习方法的应用带来了挑战。因此,第四章研究了基于无监督学习的深度卷积神经网络框架,提出了一种仅通过学习正常样本数据分布的方式实现对零部件的缺陷识别。该方法将深度去噪自编码器、深度生成对抗网络和深度分类器融合在一起,利用去噪自编码器将正常样本数据分布映射到潜在空间,并通过深度生成对抗网络从被侵蚀的潜在空间生成伪缺陷样本,从而训练深度分类器学习到正常样本的严格边界以识别零部件缺陷。在接触网绝缘子数据集上进行了验证,试验结果表明该方法具有良好的缺陷识别能力。随后,由于接触网零部件及其缺陷往往具有固定的结构特征,本文第五章提出了一种基于结构感知的零部件裂纹缺陷检测方法。该方法同样不需要对缺陷样本进行学习,而是根据图像中零部件的结构特征手工设计缺陷判据,其中结构特征的准确提取是关键。为此,本文提出了一种基于动态卷积神经网络的高精度实例分割方法以准确提取零部件结构特征,该方法避免了对实例特征图的二次池化操作,减少了噪声的引入,从而能够适应不同尺度零部件的精确分割。为了能够精确的提取裂纹结构特征,提出了一种基于Hessian矩阵的自适应裂纹结构感知算法,能够在不同光照条件下准确提取裂纹结构信息。通过在接触网零部件数据集上的实验表明,该方法能够有效地检测出零部件裂纹缺陷。本文将深度学习应用于计算机视觉测量和视觉识别领域,建立了基于深度学习的视觉检测模型,对弓网动态特性智能检测和接触网零部件缺陷智能识别的深入研究具有重要的实用价值。