为了提高电气设备状态监测的智能化水平,许多监测技术得到积极地推广和应用,在众多监测技术中红外热成像技术因其不停电、不取样、不解体等优点而备受青睐。随着红外诊断技术在电力系统应用越来越广泛,红外成像仪的数量和巡检拍摄的红外图像也逐年增多。目前对红外图像的分析诊断多依赖人工,而目前的红外监测人员较少且无法满足对巨量红外图像的分析工作,再加上部分监测人员的专业知识水平和监测经验积累不足,因此对缺陷的分析判断能力较差,这大大制约了设备状态监测智能化水平的提升。随着深度学习在计算机视觉领域的发展,本文将深度学习引入到对电气设备红外图像的分析处理中。首先,本文介绍了传统红外图像处理技术并提出其不足之处,之后介绍更智能化的深度学习(Deep Learning),介绍了深度学习的理论基础、在图像处理领域的应用以及其迁移学习的理论基础。然后,对深度学习的图像分割应用进行更深入的研究,从AlexNet、VGG、ResNet再到FCN和Mask R-CNN分析深度学习在图像分割领域的理论基础和应用效果。最后,使用Mask R-CNN与迁移学习对电气设备红外图像进行目标检测和分割,详细介绍了训练的实验环境、训练网络的结构、训练参数,并在电气设备红外图像数据集训练该网络,分析不同迭代次数对模型结果的影响,最终实验结果表明该方法可以实现对红外图像中的电气设备的目标检测和分割。