随着微小型无人机技术（Unmanned Aerial Vehicle,UAV）的快速发展,利用无人机搭载光学相机对电力走廊进行巡检的方法逐渐受到电力行业的广泛关注,自动化的无人机巡线系统正成为领域内的热点研究问题。而电力线检测在无人机自动化巡线系统中发挥着重要的作用,是无人机进行实时路径规划与循线飞行的关键,具有重要的研究价值和广泛的应用场景。本文基于多尺度卷积特征融合的方法从轮廓提取和语义分割两个角度对电力线检测技术进行深入的研究,主要的研究工作和贡献如下:首先,构建了面向无人机平台的电力线数据集。数据样本是监督学习相关算法的核心要素,而当前缺乏大规模公开的电力线数据集。本文制作并发布了城区和山区两个场景下的电力线数据集,具有丰富的样本和良好的像素级标注,同时针对其设计了科学合理的电力线检测评价指标,为本文或其他研究中提出的基于深度学习的电力线检测算法提供可靠的数据基础和评估依据。其次,提出了一种基于卷积特征和结构约束的电力线轮廓提取方法。该方法以改进的VGG16网络作为基网络提取多尺度的电力线卷积特征,充分利用这些由精细到粗糙的卷积特征来获取电力线轮廓,利用深度监督对特征图进行有效融合。在此基础上利用电力线固有的结构先验信息对检测结果进行优化,显著的提升了电力线轮廓提取的精度。此外,由于图像中正负样本比例差别较大,本文提出使用带类别平衡因子的交叉熵损失函数来确保网络的正常训练。最后,提出了一种基于多层次结构化特征的电力线语义分割方法。该方法利用网络浅层的细粒度卷积特征图逐层对后一层较粗糙的特征图进行优化,实现低层局部特征与高层语义特征的结构化融合。在此基础上,对网络中的残差卷积模块、特征图融合模块以及残差池化模块进行改进与优化,显著降低了网络的参数量,实现了高精度、高效率的电力线语义分割。本文利用城区场景和山区场景两个电力线数据集对网络进行训练和测试,结果表明了本文所提出算法的有效性。