接触网是电气化铁路供电系统中重要的组成部分,为高速列车提供持续牵引电能的特殊铁路基础设施。列车在长期高速频繁的运行过程中,受电弓与接触网不断冲击,可能导致接触网支撑装置关键部件出现损坏、松动、断裂等病害,影响接触网技术状态和供电质量,严重时会引发列车安全事故。因此对接触网支撑装置设备进行高效、精准的检测与状态监测,对于铁路维护与运营工作具有重要的意义。然而现有的高速铁路接触网巡检存在着巡检频次低、受维修天窗期约束、夜间巡检条件差、检测区域有限等问题。而且现有的缺陷检测系统检测效率低,对于图像缺陷判别过分依赖人工判断。因此,为了解决上述问题,本文针对接触网支撑装置设备提出无人机巡检方法,从而完善铁路巡检手段、提升巡检作业效率与频次,同时本文提出基于深度学习技术的接触网支撑装置紧固件提取与缺陷判别方法,以提高现有检测系统的智能化程度,主要工作如下:（1）针对接触网支撑装置紧固件检测提出了无人机巡检方法,其中包括巡检内容、巡检方案设计、巡检系统设计和巡检安全保障等,为现有铁路接触网巡检方法提供补充手段,弥补现有方法的不足。对于无人机巡检图像提出自动化缺陷定位识别算法,设计三个级联网络由粗检到细检逐步实现对接触网支撑装置紧固件缺陷检测。（2）针对无人机图像检测目标背景复杂的问题,提出无人机图像数据增强方法。通过在线数据增强和混合样本数据增强两种方式,提升算法对于无人机复杂拍摄场景的适应能力。（3）针对支撑装置零部件在无人机图像中像素面积占比小的问题,提出改进的两阶段目标检测算法。通过增加从网络底层特征向高层特征融合路径,在网络特征提取时能够更多的保留目标细节特征,从而增强算法对于小目标的识别能力;同时采用轻量化的头部网络使得算法在保证精度条件下,检测速度也得到提高。（4）由于接触网支撑装置紧固件在无人机图像中密集倾斜排列,会对检测算法产生干扰造成漏检。本文提出基于无人机图像的旋转目标检测算法RPNet,通过在回归损失函数中加入角度参数,改进网络损失函数使得网络能够拟合目标偏转方向,以旋转矩形回归方式对紧固件目标提取,提高密集场景下的目标检测精度。（5）针对紧固件样本中缺陷数据量极少的情况,本文提出使用孪生神经网络取代传统的分类模型,通过对比测试样本中紧固件的相似程度,能较好的解决缺陷小样本问题,弱化了类别标签,提高小样本缺陷的分类能力。