高铁接触网工作环境复杂,若发生故障,将影响行车安全。因此,应检测接触网零部件工作状态,确保其正常运行。随着高铁技术迅猛发展,传统接触网零部件状态检测方法无法满足检测系统的准确率、效率及稳定性要求。本文研究一种基于图像处理技术的非接触式检测策略对接触网零部件工作状态进行检测。该策略针对武广高铁所采集的部分接触网图像受外界环境影响含有噪声、对比度较低的特点,首先通过对图像去噪以及图像增强等预处理。接着进行图像分割,提取接触网零部件特征。最后对接触网零部件进行分类识别。从而自动检测接触网零部件工作状态,为接触网安全运行提供可靠保障。首先,在接触网图像去噪方面,针对部分接触网图像受外界自然环境、隧道内粉尘等因素影响而存在噪声的问题,提出构造提升小波代替Contourlet变换中的拉普拉斯变换以减少系统冗余性,并联合循环平移方法对加噪接触网图像和实际含噪接触网图像进行去噪的思路。实验结果表明,从图像去噪视觉效果以及去噪效果评价指标两方面综合考虑,该方法抑制接触网图像噪声能力强,去噪效果好。其次,在接触网图像增强方面,针对部分接触网图像受光照强度、外界环境影响而呈现低对比度,图像中的接触网零部件模糊不清甚至不可见情况,采用非下采样Contourlet变换和自适应增强函数相结合增强接触网图像。特别地,针对非下采样Contourlet变换中的不同滤波器组合对图像增强效果存在明显差异问题,提出了一种如何确定一组最优滤波器组用于低对比度接触网图像的增强方法。实验结果表明,该方法不仅能使低对比度图像中的承力索座、绝缘子、支柱、套筒双耳、定位底座、回流线等相关零部件清晰可见,而且能更好地保护好图像细节,从而减少系统对接触网零部件的漏检测。再次,在接触网图像分割方面,为了准确分割接触网零部件,针对传统脉冲耦合神经网络参数较多且难以确定这一问题,通过简化传统脉冲耦合神经网络模型结构及参数,构建简化型脉冲耦合神经网络,并采用最小交叉熵方法自适应确定其部分参数。实验结果表明,该方法不仅能有效分割接触网图像中的零部件,而且较少存在过分割、欠分割及漏分割现象。同时,针对接触网图像中零部件较多的情况,分别采用误差平方和方法以及Correlation方法对接触网零部件进行匹配处理,并得出不同条件下,两种匹配方法优劣的结论。接着,在接触网零部件特征提取及降维方面,针对接触网零部件特征较多而影响检测准确率及效率问题,提取接触网零部件的外观比、熵、对比度、矩形度和Hu不变矩等共18维特征向量用于接触网零部件分类识别。分别采用多维尺度变换降维方法、等距映射数据降维方法、界标等距映射数据降维方法、线性局部切空间排列数据降维法对接触网零部件特征数据进行降维处理。实验结果表明,采用线性局部切空间排列数据降维法提取的9维最优特征值适合作为极限学习机分类器的输入。然后,在接触网零部件分类识别方面,针对极限学习机分类识别结果受其参数影响较大的问题,重点讨论了隐含层神经元数目、激励函数等参数对极限学习机性能的影响;同时讨论了极限学习机中输入变量与不同模型之间的对应关系、不同模型分类识别准确率及效率之间的关系等相关问题。并提出了构建线性局部切空间排列-核函数极限学习机模型的思路,对接触网零部件进行分类识别。实验结果表明,与极限学习机相比,本方法能提高接触网零部件分类识别的准确率、效率及稳定性。最后,为了减少特征提取对接触网零部件分类识别的影响,进一步提高检测准确率及稳定性,采用堆栈自编码网络、卷积神经网络、深度置信网络分别对接触网中的承力索座、绝缘子、定位支座、平腕臂、42型套筒双耳、55型套筒双耳+旋转双耳等零部件进行分析处理。实验结果表明,深度置信网络能提高接触网零部件分类识别的准确率与稳定性。综上,本文针对武广高铁采集的部分接触网图像受外界环境因素影响含有噪声、图像对比度极低等特点,通过图像去噪、图像增强等预处理,接着分割图像、提取特征,并采用线性局部切空间排列-核函数极限学习机及深度置信网络高准确率、稳定地实现了对接触网零部件的分类识别。