目前我国地下电缆隧道仍处于大规模建设阶段。电缆线路在满足大量输送电能的同时,能有效减少地表面积,缓解电力输送和城市交通、居民生活之间的矛盾。但由于地下环境的复杂和人工巡检的困难,国内已有多起电缆隧道安全事故发生。所以,获得及时准确的电缆隧道状态信息尤为重要,基于巡检视频的电缆隧道实时图像检测算法和设备也应运而生。本文采用卷积神经网络(Convolutional Neural Networks,CNN)作为机器人自动巡检数据分析模型。从数据储存到数据分析再到卷积神经网络的训练,系统的研究了电缆隧道异常状态识别的问题。本文采用的视频浓缩技术,通过提取关键帧,将大量的隧道巡检数据浓缩的同时,不改变数据间的相关性。把处理后大部分数据作为训练卷积神经网络的训练样本(少部分用于校验),借助电缆设备状态识别等技术,建立电缆隧道设备识别模型、隧道设备锈蚀模型、隧道积水识别模型等。将人工经验表达为数学模型,深度分析处理人工巡检及隧道巡检机器人所采集的数据,提高其分析价值和利用效率。最后将机器人自动巡检数据应用前段所提出的模型中,实验结果证明:卷积神经网络具有较好的图片分析和搜索能力,是一种值得在电力领域推广的智能算法。