随着电气化铁路进程的推进,对电气化铁路安全运行要求也随之提高,机车牵引供电系统的运营维护就显得尤为重要。作为牵引供电系统的重要组成部件的绝缘子,长期工作于户外环境中,并且还受到强电场和强机械张力的影响,会出现不同程度的破损,进而影响铁路安全稳定运行。在铁路接触网绝缘子监测检测任务中,绝缘子复杂的背景、较小的体积和故障不明显等现象将会导致对故障绝缘子的检测及分类是一项具有挑战性的任务。目前,绝缘子检测主要方法以人工检测为主,传统图像处理算法为辅。其中人工检测存在效率低,易漏检和误差大等问题。传统图像处理算法也因为泛化能力差和鲁棒性不够等问题难以完全取代人工检测。因此,对于当前大量的接触网图像检测,还需要进一步研究其检测方法。深度学习技术在海量数据和先进计算机硬件的支持下得到了快速的发展。本文中,为了满足绝缘子检测速度和精度的需求,提出了两种基于卷积神经网络的铁路绝缘子故障检测网络模型。一是级联网络故障检测模型,二是轻量化YOLOv3模型。在研究的过程中,主要做了以下工作:（1）构建了绝缘子故障训练数据库,处理大量的接触网图像数据。首先,根据样本选定规则选取符合需求的大量样本;然后,为了确保训练后模型的性能,通过数据增强算法丰富图像数据;最后,采用专业的数据标记软件Label Image对目标进行标记,并且将标记结果以PASCAL VOC格式进行保存,用于模型训练。（2）提出基于卷积神经算法的级联网络检测模型。在级联网络检测模型中,将位置检测网络和故障分类网络级联,解决了大分辨率图像计算量大,小分辨率图像故障分类准确率低的问题。在位置检测网络中,设计了多层融合模块和多区域自适应模块,实现了不同级别的特征图融合和对特征图中目标对象的权重自适应加权,提高了位置检测网络的检测准确率。最后通过实验验证,来检测级联网络模型的目标检测准确率和故障分类准确率。（3）基于YOLOv3目标检测模型设计了轻量型YOLOv3目标检测模型。在轻量化的YOLOv3模型中,使用非对称卷积和分组卷积结构,实现了YOLOv3网络模型的轻量化,并提高网络模型检测效率。在轻量化YOLOv3网络模型中加入空洞卷积,实现在不增加网络模型参数量的情况下扩大感受野,来保证网络模型检测精确率。并进行实验验证,来检测轻量化YOLOv3模型在接触网数据集上的检测效率和检测的准确率。通过实验验证,得到以下结果和结论:（1）不同级别的特征图融合在一起,可以丰富级联网络的表达能力,并提高级联网络中检测网络的准确率AP值为94.23%。（2）本文提出的基于注意力机制设计的多区域自适应模块,通过自适应增强目标区域的权重值,能够提高级联网络中检测网络的准确率。（3）本文设计的级联绝缘子故障检测网络的m AP达到了93.46%,优于其他经典卷积神经网络模型。（4）本文提出的轻量化YOLOv3模型,是在经典YOLOv3模型中使用非对称卷积和分组卷积结构,实现了网络结构的轻量化,提高了检测效率。（5）在轻量化YOLOv3模型中使用的空洞卷积,在不改变网络参数量的情况下,不仅扩大了卷积层的感受野,还提高了模型检测的准确率,最终轻量化YOLOv3模型的检测速度为40 fps。在实验验证后,得出以下结论:本文提出的两种接触网绝缘子检测模型,均能准确检测出绝缘子位置,并对绝缘子状态进行正确分类。级联网络故障检测模型在检测精度上表现较优,轻量化YOLOv3模型在检测速度上表现较优。