随着我国高速铁路的发展，铁路网络规模不断扩大，对我国铁路运营管理提出了更高的要求，为确保运营安全，急需实现高铁线路的现代化高效率巡检。高速铁路接触网悬挂状态检测监测装置（4C装置）的普及提升了图像采集的效率，然而对于采集到大量的图像数据，目前的检测方法还是人工进行排查，存在效率低、故障得不到及时处理的问题。基于传统图像处理算法的图像智能分析技术往往普适性较差，难以达到代替人工的性能。面对大量的接触网采集图像，还需继续深入研究。　　随着GPU硬件的发展以及大数据的支持，深度学习迅速发展，在计算机视觉、自然语言处理等等领域占据了重要的位置。深度卷积神经网络由于其优异的特征表达能力，在数据充足的情况，往往能取得较传统图像处理算法更为精准鲁棒的性能。因此本文将深度学习算法应用于高铁接触网故障检测场景，解决传统图像处理算法普适性差的问题。　　本文对接触网两个重要部件，吊弦和绝缘子故障检测问题进行了研究。在吊弦故障检测中，使用深度学习目标检测算法Faster R-CNN对正常吊弦与明显故障吊弦进行区分，在正常吊弦的定位结果基础上，采用基于Hough变换的直线检测算法判断吊弦是否存在轻微松弛故障。在绝缘子故障检测中，使用深度学习目标检测算法RRPN对绝缘子进行带有角度信息的定位，在旋转至水平的绝缘子图像基础上，提出一种同一绝缘子逐片比对的故障判别方法，避免了采集图像一致性差的问题。　　两个故障检测问题中的深度学习算法均能实现高精度、鲁棒且快速的检测，提升了算法的普适性，降低了后续算法的设计难度。实验结果表明，两个故障检测算法均能取得较高的召回率，虽然存在一定程度的误报，但可将故障检测算法输出的故障图像再进行人工排查，可在几乎不漏掉故障图像的前提下，较大程度地降低人工需要查看图像的数量，提升4C装置效率，为高铁接触网图像智能分析技术提供一种思路。