针对现有的无约束环境下航拍图像中绝缘子识别准确率低且缺少有效的特征表达的现状,应用深度学习理论,深入研究了绝缘子特征在深度网络中的传递情况,提出了一系列基于深度卷积神经网络图像特征构建的绝缘子识别方法。本文的主要工作如下:针对无约束条件下,红外图像中绝缘子的识别受到角度变化影响严重,识别精度不高的问题,提出了一种基于并行深度卷积神经网络特征提取和特征维度选择的旋转绝缘子识别方法,提高了多角度绝缘子识别的准确率。采集了大量宝贵的现场巡检图像数据,对红外绝缘子图像识别数据库进行扩增。扩增后的数据库包含绝缘子角度、尺度等多方面的变化。重点研究了红外绝缘子图像的特征表达方法,提出了基于深度卷积特征图聚合的红外绝缘子图像识别方法,通过提取深度卷积特征图聚合形成特征描述子,实现了鲁棒特征表达,提高了特征的区分度以及绝缘子识别的准确率。将该特征表达方法嵌入到检测框架中,进一步证明了该方法的有效性。在深度特征图聚合特征表达方法的基础上,深入探索了卷积层神经元的响应与分布情况,充分挖掘深度特征强大的泛化与表征能力,提出了基于层熵与相对层熵的特征聚合层选择的绝缘子识别方法,旨在挖掘适合输电线和变电站绝缘子图像识别任务的最优特征表达层;研究了卷积层宽度对绝缘子识别准确率的影响,采用基于重要度的选择方法对层内特征图个数进行选择,减小了计算量,在现有绝缘子数据库上将识别的准确率提高到99%。