接触网由于其结构、力学、工作环境等特点,易造成部件松脱断裂等故障。因此,需要对接触网悬挂状态进行有效的检测与监测。现阶段对其支持与悬挂装置的状态检测主要采用人工巡视检测和技术人员查看图像的方式,这两种方法都存在劳动强度大、工作效率低、隐患不易发现且不能及时发现故障的问题。目前,许多方法采用图像处理的技术,通过非接触式手段,实现接触网悬挂状态的自动检测。本文在研究现有检测算法后,发现一些值得优化的问题:(1)针对不同关键区域的定位算法是平行研发的,因此系统在初定位步骤存在重复计算的问题;(2)针对位于不同关键区域的同类部件,精定位与缺陷识别算法不相同,增加了整体算法的复杂性;(3)关键部件精定位图像中存在对焦失败或分辨率过小到的模糊图像,不利于后续缺陷检测的问题;(4)接触网异物检测目前只有针对已知异物的方法,而对未知异物的检测还没有相关研究。针对以上四个问题,论文以接触网悬挂状态检测监测装置(4C装置)得到的高清巡检图像为研究对象,基于卷积神经网络的方法实现了接触网关键区域的快速同步初定位、关键部件的精定位以及归一化,基于稀疏编码实现了接触网未知异物的检测,主要工作如下:首先,针对接触网高清巡检图像,论文在比较目前常用的目标检测算法与特征提取网络后,根据初定位任务的特点,采用基于卷积神经网络的目标检测算法SSD与特征提取网络MobileNet的组合,实现了接触网七种关键区域的同步快速初定位;接着,针对初定位后的关键区域图像,本文基于目标分割方法Mask R-CNN,实现了位于不同关键区域的螺母部件的精定位。同时,本文利用部件分割后的姿态信息,实现精定位部件归一化。然后,针对分辨率过低以及对焦失败的图像,本文采用超分辨率算法进行去模糊化处理,并利用目标分割算法分割精定位图像中螺母与开口销图像结构。通过两者面积比例作为判据,实现螺母开口销缺失的检测。最后,针对接触网未知异物侵入的问题,本文基于稀疏编码算法,在不利用异常样本的情况下,只采用正常接触网图像训练字典,实现接触网多种未知异物的检测。通过实验表明论文中的方法对提高目前接触网自动识别算法系统的速度与效率,降低算法复杂性具有积极意义,并通过对实际线路数据检测,验证了本文方法具有较强可行性与通用性。