输电线路螺栓图像二维视觉信息较差,导致螺栓图像分类时大模型资源消耗大,小模型分类精度低。本课题将基于深度学习的知识蒸馏技术引入到输电线路螺栓图像分类任务,并根据自建数据集特点从网络性能传递和网络结构匹配2个角度进行研究,确保满足大规模部署的小模型能够充分拟合大模型的螺栓缺陷图像分类性能,实现资源消耗与精度的平衡。针对螺栓图像类间差异性较小、类内差异性较大,导致大模型知识传递不理想甚至错误的问题,本课题从网络性能传递角度提出了基于动态监督的知识蒸馏螺栓缺陷图像分类方法。在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型的螺栓特征表达能力;大模型（Resnet-40-2）将输出层的自适应加权方法与隐藏层的注意力转移机制相结合指导小模型（Resnet-16-1）训练,充分提高小模型的螺栓缺陷分类能力。在自建螺栓缺陷图像分类数据集上对提出的知识蒸馏方法进行了实验验证,结果表明小模型的分类准确率为89.28%,提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。针对螺栓图像分辨率低和视觉信息较差,导致精简小模型分类性能较差的问题,本课题从网络结构适配角度对知识蒸馏模型提出了基于最优知识传递的模型优化方法。首先将小模型结构精简至3个残差块,精简小模型保留了低层、中层、高层的网络结构信息;同时拓宽大模型螺栓图像特征表达维度,增加向精简小模型传递的螺栓知识。然后将不同宽度大模型利用输出层知识蒸馏算法和隐藏层注意力转移算法分别指导精简小模型训练;为了选出传递螺栓知识最优的大模型,提出了知识偏差的评价指标,可视化大模型向精简小模型螺栓知识传递的程度;综合分析知识偏差和精简小模型的分类准确率,确定宽度为5的大模型时最优知识传递模型。最后,最优知识传递模型（Resnet-40-5）将自适应加权算法与注意力转移算法相结合指导精简小模型（Resnet-10-1）训练。在自建螺栓缺陷图像分类数据集上进行了验证,实验结果表明精简小模型分类准确率为88.85%,提高了5.59%,精简小模型与最优大模型的分类准确率只差2.14%,知识偏差为0.28,且精简小模型的参数量仅为大模型参数量的0.56%。