电气线路缺陷会引发线路短路和大面积停电,影响电网的安全运行。目前,常用的保障电气线路的正常运行的方式是直升机或无人机巡检,通过其搭载的相机获得巡检影像,并由工作人员识别图像中的缺陷。随着巡检线路的增多,电网工作人员的工作量也会相应增大,容易出现漏判误判的问题。本文分别在输电线路和配电线路两种实际生产运行环境中针对故障进行了识别。配电线路的陶瓷绝缘子容易在潮湿环境和雷雨天气中发生污闪。针对配电线路故障问题,本文提出了一种基于统计特征的配电线路污闪绝缘子识别方法。基于绝缘子与背景颜色的差异,结合颜色特征进行绝缘子的提取;最后基于绝缘子提取结果求特征值并组成特征向量并训练分类器。许多输电线路建在荒郊野岭中,绝缘子易受温差变化或外力破坏而自爆,鸟类在铁塔筑巢会导致线路短路。针对上述输电线路故障问题,本文通过搭建卷积神经网络实现对鸟巢和故障绝缘子的分类和检测,解决传统算法泛化能力不强、正确率不高的问题。首先通过研究卷积神经网络,搭建适宜的网络模型。然后训练分类器,并结合相关的训练方法在训练过程中进行优化。最后将分类器与传统特征提取方法对比,实验结果表明对于鸟巢和故障绝缘子,卷积神经网络的平均正确率比传统方法高10%,即卷积神经网络的性能优于传统的特征提取算法。本文基于目标检测算法提出了一种针对鸟巢和故障绝缘子的检测模型,并提出利用图像处理方法进行航拍数据增广的策略。针对分类器和检测器都存在的漏检的问题,分别提出了分类和检测模型,并设计了一种将分类器和检测器级联的策略,以降低故障的漏检率。实验结果表明级联网络的漏检率为0,即工作人员无需注意被级联网络判断为无故障的图像,从而能够较好地完成故障的识别工作,极大的降低了工作人员的劳动强度。