当前,智能电网的建设目标对电力系统设备的信息化、自动化提出了更高要求。及时准确地发现和处理故障设备是提高系统供电可靠性的重要手段,由于电流或电压致热效应,电力设备在故障时往往伴随温升。红外热像仪是运维人员检测和诊断设备热故障的主流方式,但这种方法存在一定的局限性。一方面,红外相机普遍价格高、像素低,在设备密集处空间定位一般;另一方面,红外设备有一定的操作门槛,需要根据被测对象的材料调节发射率。可见光相机具有高像素、成像素质好等优点,但可见光辐射测温还仅仅适用于高温领域（800℃以上）。为满足低成本智能化测温需求,本文基于图像处理和机器学习技术,提出了一种针对电力设备金属材料低温领域（室温至100℃）的测温方法,该方法只使用相对廉价的可见光相机,并取得了相当高的预测精度。取得成果如下:设计并建立了一套实验平台,用相对廉价的智能手机相机对黄铜材料制成的金属板拍摄了不同温度、不同环境光照下的共计3.5万张照片,所有照片组成了适合于机器学习的可见光图像库。提取了图像中三基色灰度频率分布（768维）作为模型输入特征向量,采用了五种经典机器学习方法分别建模。模型对训练集的平均预测误差为1.02℃,对测试集的误差最大达11.65℃,均值为6.77℃。针对温度预测模型的过拟合问题,提出了使用主成分分析将原始特征向量降低维度的优化方法。结果显示,特征降低到74维时模型性能最佳,对测试集的预测误差均值降低到3.02℃,模型的过拟合值从最高11.24下降到1.84;继续压缩样本特征维度到31维和16维后,模型复杂度过度下降导致出现欠拟合趋势,对测试集的预测误差相较74维时不降反升,绝对误差方差增大明显,说明了74维特征是理想恰当维度。针对不同环境光照对图像颜色信息干扰从而导致预测误差增大的问题,提出了四种优化方法。其中三种有改善效果,特征中加入照度分量、RGB空间上全局Retinex图像增强都仅能使得误差下降0.1-0.2℃;基于离散小波变换和I-Retinex的图像增强方法可以将环境光扰动影响降到最低,在k近邻回归算法下误差降到最低0.92℃,三种学习器下误差均值仅为1.36℃,相较优化前下降了38.4%。本文还从现场运维人员的实际工作要求和人工智能测温系统的特点出发,研究撰写了《基于热调制光反射智能测温技术的带电设备热故障检测现场操作规范》。规范中包含人员安全、设备环境要求、操作方法、系统维护和后期检验校验等多个方面内容,为这一新型测温技术在实际中应用提供了指导作用。