高速铁路接触网在高铁供电系统中有着巨大的作用,而且运行线路上没有备用装置,高速列车行驶带来的剧烈震动和恶劣天气也给接触网的安全运行带来了隐患,因此保障高铁供电安全就需要对接触网进行及时有效的监测和检测。目前铁路上对接触网的检测方法主要有人工巡检方式、工作人员人工查看图像方式和应用计算机视觉算法对图像进行分析。采用图像处理算法逐渐成为一种高效的接触网检测方式,但是仍然存在很大的提升空间。本文在研究分析了接触网零部件结构分布以及目前对于接触网零部件缺陷检测算法的进展的基础上,针对高速铁路接触网紧固设备开口销存在缺失、松脱、安装不规范等故障状态,提出一种结合目标检测算法,语义分割算法和形态学处理方法的三阶段高速铁路接触网开口销缺陷检测算法,并对多种环境下的接触网图片进行了测试,结果表明了本文提出算法的有效性。首先,基于YOLOV4算法采用两次定位方法定位开口销,先通过初定位完成高铁接触网中的五个关键连接点的定位,然后通过二次定位完成开口销的精定位。解决了因开口销在接触网图片中占比小导致定位不准的问题。然后采用Deeplabv3+算法对开口销进行语义分割,语义分割算法作为深度学习算法的一种,可以有效的区分物体类别,并形成相应的语义区域,本文采取语义分割算法主要是用于提取接触网中的开口销语义信息。解决了背景噪声影响开口销缺陷检测准确率的问题。最后基于开口销的语义分割图片进行分类,分类依据为开口销的头部,躯干和尾部的语义信息。为了验证本文提出方法的适应性和准确性,对多条线路,多种环境下的接触网图片进行测试。同时,与其他深度学习算法进行比较。实验结果表明,本文所采用的方法可以较准确的检测出缺失和松脱的开口销,保障接触网的稳定运行。同时也表明应用深度学习算法可以更准确,更高效的完成接触网检测,因此也可以应用到接触网其他零部件的缺陷检测上。