无人机电力巡线以其方便快捷、采集图像清晰、节省人力物力等特点被越来越多的供电公司所采纳。无人机由巡检人员操控沿输电线路飞行,其搭载的摄像仪会对沿途的设备状态进行拍摄。再经后期图像处理以及机器学习等技术,实现相关设备的识别和故障检测,进一步推动了智能电网的建设。本文针对航拍图像中的两种关键部件(绝缘子和防振锤)的识别定位与故障检测技术进行了研究,为后期无人机巡线设备的进一步自动化提供了理论基础。首先,本文对现有输电线路关键设备的识别和故障检测研究现状进行了介绍,并对深度学习算法进行了现状以及优缺点分析。其次,由于深度学习算法需要依托于庞大的数据库,而真实航拍图像数量远不能满足深度学习对数量及质量要求。针对这一问题,本文提出了将模拟人工图像样本应用于深度学习的方法。将3ds Max绘图软件应用于图像样本库的建立与扩充,绘制了绝缘子和防振锤的3D模型,获得了符合要求的训练样本。然后,针对现有深度学习算法中部分目标定位不准确,识别率较低的情况,本文提出了基于颜色名称的预选图生成方法,确保了在进行分类识别之前预选区域分割定位范围的准确性,提高了整个模型的识别准确率。本文分类模型的最终识别准确率为91.7%,加之定位的精确度,相比于其它的方法提高了至少5个百分点。最后,在进行识别定位后,本文针对绝缘子掉串故障提出了基于形态特征自适应模型的检测方法,利用形态学算法,实现了检测的快速性和准确性。最终的故障检出率达到了87.3%。