如今,电力能源作为人们生产生活中最重要的能源之一,其电力系统的稳定性和可靠性决定着整个电网能否安全、高效运行,对输电线路进行故障检测是保证电力系统稳定运行的基础,也是电力巡检监测的重要部分。无人机技术的快速发展,使得电力系统无人机巡检已逐渐取代传统人工巡检方式。另一方面,随着大数据和人工智能技术的发展,特征识别技术得到了快速提高,利用无人机巡检图像对电网输电线路进行故障智能检测已成为电力系统智能化、信息化管理的重要组成部分。本文以深度学习为技术背景,针对实际应用中存在的故障样本数量少、图像质量较差、目标检测精度较低的问题,开展电力系统无人机巡检图像数据集构建、基于深度学习的低照度图像增强方法研究及基于改进Eifficient Det-D0的电力系统故障智能检测技术研究,并构建评价指标体系,开展实验验证。主要研究工作如下:（1）电力系统无人机巡检图像数据集构建。针对故障检测网络实际训练过程中对大量且高质量标注图像数据的需要,一方面通过下载网络公开数据集,获取包含正常和缺陷绝缘子的航拍图像;另一方面利用无人机在不同时间点采集黑龙江地区高压输电线路的航拍图像。此外,选取基于Style GAN2的图像生成网络和基于残差结构的判别网络,利用生成对抗思想,以已有图像数据作为训练输入,进一步生成目标图像。利用图像标注工具对所获取图像进行故障标注。接着,通过图像缩放、翻转、扭曲变形、增加图像噪声等操作,在数据层方面对图像进行数据增强,增加图像特征多样性,降低模型对数据完备性的要求,为后续输电线路故障检测网络提供数据支持。（2）基于深度学习的低照度图像增强方法研究。针对无人机巡检获取到的低照度图像中目标特征提取困难、检测精度低的问题,同时为实现端到端的图像增强,对低照度图像增强方法进行研究。首先,基于改进的VGG网络设计图像照度分类网络,通过对网络宽度和深度进行裁剪并引入带孔卷积实现网络结构的轻量化。设定概率阈值,将低照度图像输入网络实现图像的照度分类。然后,研究基于强监督和弱监督训练方式的图像增强网络结构设计方法,通过设计不同的损失函数,完成基于Retinex-Net和DCE-Net的图像增强网络训练及测试。最后,构建图像增强效果评价体系,实现对低照度图像增强性能的定量评估。（3）基于改进Eifficient Det-D0的电力系统故障智能检测技术研究。基于电力系统无人机巡检图像数据集,开展输电线路故障智能检测技术研究。为进一步提升目标检测性能,在单阶段目标检测网络Eifficient Det-D0的基础上,对原始网络框架进行改进,给出预测分支网络各层参数。选择Focal Loss和Smooth L1作为网络的损失函数,基于经典网络参数设定经验进行超参数设定。综合考虑梯度更新的稳定性、反向传播的高效性等因素,选择Adam优化器进行参数优化。为更好地与数据集目标相匹配,基于K值聚类法更新先验框高宽值,并采用基于余弦退火的学习率调整机制和基于Mosaic数据增强的训练方式对故障检测网络进行训练,最终实现输电线路故障的智能检测。（4）输电线路故障智能检测算法实验验证及分析。基于改进的Eifficient Det-D0的输电线路故障智能检测网络及巡检测试集图像进行输电线路故障智能检测算法实验验证。利用混淆矩阵,构建包含检测精确率、召回率、F1指数、m AP等性能指标的故障检测精度评价体系,针对不同检测目标类别、不同图像照度以及是否对网络结构进行改进等情况开展验证实验,统计计算不同实验情况下的评价指标。实验结果表明:改进网络结构、增强图像照度、优化训练方式均能够有效提升故障检测精度,可为实际输电线路巡检过程中故障智能检测识别提供科学依据与技术支持。