智能化是构建持续、经济、安全的坚强电网的前提,对国家能源安全有着重大意义。输电线路自动化巡检是构建智能电网的主要技术之一,其发展在近些年受到专家学者们的广泛关注。螺栓作为输电线路中广泛存在、起到连接紧固作用的重要部件,如何对螺栓缺陷进行及时检测是急需解决的痛点问题。本文主要研究输电线路航拍图像中缺陷螺栓的检测。螺栓在航拍图像中具有以下几个明显的特点:1)在图像中占比小,机器可以提取的有效特征少;2)螺栓缺陷种类多,且类间差异小,但结构化特征明显,机器识别时依赖细粒度信息;3)螺栓不同缺陷之间存在潜在关系,需要让模型学习到标签间的知识关联性。本文针对上述特点,本文首先构建了螺栓表面状态多标签识别数据集,包含销子、螺母、垫片3类标签。本文基于该数据集,针对螺栓标签间关系难以有效学习的问题,提出了联合视觉-语义知识的螺栓表面状态多标签识别网络。该网络设计了新颖的基于知识关联性的级联自注意分类器,可以对学习到的螺栓视觉表征和螺栓语义表征联合建模,消除了视觉-语义鸿沟。在多类评价指标的验证下,该网络相比较于经典的多标签识别网络有着显著优势,标签级准确率达到93.63%,图像级准确率达到83.21%。针对螺栓结构化细粒度特征无法有效提取的问题,本文提出了联合视觉-位置知识的螺栓表面状态多标签识别网络,该网络设计了特殊的螺栓网格化特征提取器,并与长短期记忆网络（Long Short-Term Memory,LSTM）结合,成功学习到了螺栓细粒度局部特征。实验证明,该网络的标签级准确率达到93.04%,图像级准确率达到83.07%。最后本文将前两者网络统一,并且引入了EfficientDet检测模型,实现了由粗粒度到细粒度的螺栓特征提取,构建了新颖的基于复杂知识表示的输电线路金具上缺陷螺栓级联检测框架。将该方法应用于实际输电线路自动化巡检任务中可以显著地减轻巡检作业任务的人力负担和时间花销,是实现智能化电网的有效途径之一。