随着高铁的飞速发展,国家对高铁牵引供电系统的供电安全和供电质量要求越来越高。牵引供电系统可能发生的故障种类繁多,其中,接触网系统出故障的概率占比非常大;所以接触网零部件缺陷检测非常重要,因为事关高铁安全。而斜支撑套筒作为接触网的重要零部件,其缺陷检测有着重大的意义。而现如今关于斜支撑套筒缺陷检测的方法主要是传统的机器学习方法,如支持向量机、聚类、决策树等,其精度和速率都不够高,为了提高斜支撑套筒缺陷检测的精度和速率,本文采用了深度学习方法。本文将斜支撑套筒缺陷检测任务划分为两步,第一步完成对斜支撑套筒的定位识别,第二步完成对斜支撑套筒的缺陷识别。首先,制作出斜支撑套筒定位识别数据集。本文从萍乡北站拷贝了大量的接触网零部件图片,然后经过图片数据的预处理得到初始数据集图片;然后用labelimg软件对初始数据集图片进行标注,得到初始数据集;然后采用仿射变换的方法对数据集进行扩充,得到最终数据集。其次,改进出一个合适的目标检测模型,完成斜支撑套筒定位识别截取任务。从目前主流的目标检测模型中选出三个性能优异的目标检测模型,分别是Faster R-CNN、Yolov3和Efficientdet模型。用这三个模型对斜支撑套筒进行定位识别,经过对比,发现Efficientdet模型的综合性能最优。然后对Efficientdet模型进行改进研究,提出了基于特征融合网络的改进;基于此,用改进后的新网络模型对斜支撑套筒进行定位识别,效果非常好,改进后的Efficientdet模型能极好的完成斜支撑套筒的定位识别任务。最后,改进出一个合适的分类神经网络模型,完成斜支撑套筒缺陷识别任务。从目前主流的分类神经网络中选出三个性能优异的网络,分别是Vgg16、resnet50和mobilenetv2网络。用这三个分类网络去对斜支撑套筒进行缺陷识别,经过对比,发现mobilenetv2模型的综合性能最优。然后对mobilenetv2网络进行改进研究,对mobilenetv2模型的骨干网络和分类器网络进行改进。基于此,用改进后的新网络模型对斜支撑套筒进行缺陷识别,效果非常好,改进后的mobilenetv2模型能完美的完成斜支撑套筒的缺陷识别任务。