在电网高速发展的时代背景下,无人机辅助的绝缘子巡检装置解决了传统人工检测危险性高、盲区多、效率低等问题。目前无人机巡检技术还不成熟,仍存在一些难点痛点,主要包括:1)无人机巡检过程中,容易受光照、大气环境和运动姿态等因素干扰,导致采集到的图像会出现不同程度的失真,影响后续检测与识别阶段的推断精度;2)无人机图像采集过程中最常见的运动模糊问题,通常会导致绝缘子缺陷目标部分失真,不便于巡检人员进行缺陷定位和修复工作。为解决上述问题,论文围绕图像质量评估算法和图像增强算法展开研究。针对现有质量评估算法仅将质量评分作为评估指标,未考虑图像失真类型对图像质量评估影响的问题,提出了一种联合质量评分和失真类型的图像质量评估方法。针对现有的模糊图像增强算法存在处理后的图像缺乏纹理细节、模型参数过大难以终端部署等问题,对基于生成对抗网络的图像增强算法,网络结构和损失函数进行改进与优化,并设计轻量化方案来提高模型实时性能。主要研究内容和研究成果如下:（1）针对现阶段图像质量评估模型仅利用网络顶层的语义特征进行质量评估,而忽略浅层纹理特征和中层语义特征,提出了一种多层特征融合的方案,利用图像不同层次特征信息进行联合质量评分,同时引入CBAM注意力机制更好地模拟人类视觉,增强网络的特征感知能力。所提算法在LIVE数据集上PLCC指标为97.9%。针对低质图像存在不同类型和不同程度质量损失的问题,提出基于EfficientNet的迁移学习图像失真分类算法,该算法在自建绝缘子数据集上推断准确率为99.8%。（2）针对基于生成对抗网络的图像增强算法训练困难、生成图像缺乏丰富的纹理特征等问题。首先对网络结构进行改进,采用结合密集块和多层残差网络的RRDB单元模块替代传统的残差块,通过引入Unet网络作为判别器为生成器提供像素级的反馈。其次对损失函数进行优化,利用Wassertein距离作为对抗损失,提高了模型训练的稳定性。并提出联合像素损失、感知损失和边缘损失作为内容损失的改进方案,可生成更加逼真、分辨率更高的图像。实验表明,提出的Unet-GAN模型在GoPro数据集上的PSNR值和SSIM值相较于经典DeblurGAN算法分别提升了 1.87dB 和 0.062。（3）针对改进后的Unet-GAN模型参数量大,不便于进行移动设备部署的问题,对生成网络进行轻量化优化。采用MobileNet-V2作为骨干网络,同时引入FPN结构提高图像的特征利用率,轻量化后的MobileNet-GAN模型大小压缩为原始模型的1/4,在单张图像推断时间上缩短为原来的1/5。（4）针对运动模糊导致绝缘子目标漏检、准确率低等问题,论文通过流水线方式进行目标检测。首先对无人机采集到的绝缘子图像进行质量评估,其次对低质模糊绝缘子图像进行增强处理,最后将增强后的清晰图像送入检测模型进行目标检测。实验结果表明,采用流水线方式进行绝缘子检测与原图直接检测方式相比较,在YOLOX、YOLOv5和Faster-RCNN模型上检测精度分别提升了 6.1%、4.5%和 6.2%。