电力巡线能够及时了解输电线路电力设备运行状况,对于保障电力系统稳定运行具有重要的作用。传统人工电力巡线效率低,准确性、全面性和安全性得不到保障,而无人机具有安全灵活的特点,可以代替人工进行电力巡线,从而有效弥补人工巡线的不足。利用无人机进行电力巡线,实现对输电线路电力设备及异常状况的智能检测与识别,对于电力系统的自动化检测、维护和管理具有重要意义。为解决无人机巡线电力设备及异常状况检测与识别的问题,本文首先对无人机巡线场景和电力设备视觉检测关键技术进行分析。针对无人机巡线场景,提出应用计算机视觉系统的优化方案,采用基于深度学习的方法用于无人机巡线场景电力设备的视觉检测。对于电力设备视觉检测,分析了关于卷积神经网络的三方面关键技术。对深度前馈和深度卷积神经网络结构进行研究分析,阐述了R-CNN系列的目标检测框架并分析其优缺点。其次研究了卷积神经网络中的稀疏表达方法,并对卷积神经网络进行改进,在池化层引入Dropout策略并提出一种双重概率加权池化模型平均方法用于模型预测,详细阐述了改进策略和提出方法的推导过程,并介绍了其它池化层改进方法,进行提出方法与其他方法的试验对比分析,结果表明本文提出的双重概率加权池化模型平均方法具有更高的测试准确度,能够有效防止过拟合,提升卷积神经网络模型泛化性。然后针对电力设备目标检测与识别任务中的场景前景目标进行分类模型的预训练,提出一种两阶段的深度学习方法用于电力设备图像前景提取和提取前景图像分类,并加入改进策略,描述了图像前景提取分类模型整体框架及迁移学习初始化方案,并提出了一种迁移分步学习模型初始化策略,采用数据增强来扩充样本,构建数据集进行训练并对测试结果进行对比分析,结果表明迁移分步学习能有效提升模型准确度,促进模型更好地融合和收敛,且数据增强能够提升模型性能,并且提取前景能有效提升复杂背景电力设备图像分类准确率。选取测试结果最优的模型作为预训练模型。最后,研究了Faster R-CNN的运行机理,重点在于前景目标检测过程的研究,分析了影响模型预测的各种参数因素,并指出模型存在的不足,在共享特征提取VGG-16网络中加入改进策略,并引入结合FPN结构的优化方法来强化模型细节特征检测能力。构建数据集并利用预训练模型初始化进行训练,对不同模型及各个参数下的测试结果进行对比分析,证明了优化后的模型及设置参数的有效性,对电力设备以及异常情况具有不错的检测效果,能够精确定位目标电力设备以及异常点位置,并准确识别目标类别。