电网中绝缘子使用量巨大且地域跨度大,常规的巡检方式主要依靠人工经验,难以发现设备表面的微弱放电。日盲紫外成像检测具有灵敏度高、非接触和放电表征直观的优点,本文基于紫外成像仪双通道成像的特点,提出了基于人工智能的可见光通道图像绝缘子识别方法,在此基础上实现了紫外通道图像的绝缘子放电严重程度评估。搭建了Linux环境下基于TensorFlow和Darknet框架的深度学习硬件和软件研究平台,基于实验室和现场搜集的图片,建立了绝缘子样本数据库。完成了样本图片的标注和基于YOLO的绝缘子类型识别卷积神经网络的训练。研究了训练样本数和网络深度等对识别准确率的影响,给出了网络参数的优化方法和超参数匹配方案,测试表明优化后的网络在测试集上的识别准确度达到了 95%。基于人工气候室,开展了绝缘子的污秽放电试验研究,获取了不同放电强度下的紫外视频,定义了相对光子数和光斑面积参数,分析了上述参数与泄漏电流之间的关系。建立了紫外图像数据库,完成了紫外图像的分类和四种放电严重程度的标注,完成了YOLOv3的网络训练。分析了学习率和激活函数等对识别准确度和训练误差的影响和优化方法,实现了对绝缘子放电严重程度的评估,在测试集上的识别准确度达到了 94.5%。基于QT语言开发了紫外图像量化参数提取软件,实现了图像分割、参数计算。基于PHP语言和mySQL数据库开发了基于浏览器/服务器模式的综合信息管理系统,实现了巡检紫外成像图片和视频以及设备信息的有效管理。该系统进行了初步的现场应用,效果良好。