电网及铁路的高压设备在长期的电热损耗以及表面裂纹、污染损伤下,产生击穿电压,形成表面电晕放电,导致其绝缘性能显著下降,造成巨大的电力损耗。电晕放电产生的紫外光信号,是及时发现绝缘劣化和电晕放电的重要参数,分析紫外信号对预防事故和维护设备具有重大意义。本文首先分析了紫外成像仪双光路的工作原理,给出了一种利用紫外成像仪输出图像中的相关参数解决放电检测的检测方法,针对目前基于日全盲紫外成像技术的双通道紫外成像仪的放电检测的方法中,只使用光子数一个参数来量化放电强度,不能有效判断外绝缘与发生闪络间裕度的问题。因此给出运用紫外成像技术来选择可用的特征参数,辅助对放电强度进行量化的紫外成像检测方法。本文通过将常规的图像灰度化,得到灰度直方图,并基于双峰法对灰度直方图进行阈值选择,得到理想阈值,进而得到了理想二值化的光斑图像。本文采用了直接开运算进行数学形态学滤除天空、设备白色背景以及取景框和时间等信息造成的噪声,此方法能够过滤远小于构造元素的噪声点,从而让图像更加平滑。最后通过建立遗传算法优化反向传播(Genetic Algorithm-Back Propagatio)神经网络模型对高压设备的紫外图像中的相关参数进行了研究,计算不同距离不同增益下的光斑面积大小,解决了模型预测光斑面积与实际光斑面积误差较大的问题,为故障判断提供了依据。实验证明:模型设备的设备状况与实际设备相符合,证明了使用灰度直方图分析来确定阈值并分割图像,再运用开运算执行数字形态学滤波,最后计算电晕放电光斑的面积大小并进行神经网络预测的方法,对于电晕放电的故障检测有着重要的作用。