近些年来,随着深度学习任务在多旋翼无人机端应用的兴起,将人工智能技术与模式识别技术相结合,在智能无人机中实现目标检测和自主避障,是一项非常有科学意义和实用价值的研究。现阶段国家大力发展电力行业,电力巡检任务日趋重要,而传统的人工巡检方法存在效率低下、人力物力耗资高和安全性低等问题,所以无人机转向无人化作业方向发展已经成为趋势。本课题为实现对电力巡检无人机在无人化作业时的自主避障,对巡检环境中存在的各类障碍物进行检测及避障的路径规划进行研究与分析,并对基于双目视觉传感器搭建的深度学习算法和无人机路径规划算法进行改进,以保证无人机在电力巡检无人化作业任务中更好的完成避障任务,主要研究内容包括以下三个方面:（1）介绍了目标检测算法的理论基础知识和数据集的构建。在理论基础知识部分,阐述了基于深度学习的目标检测算法中具有代表性的网络模型及工作、预测流程等,并对目标检测模型中的卷积神经网络进行简单介绍。数据集构建部分主要介绍了电力巡检无人机避障所遇到的障碍物类别,从多个方面收集数据并进行数据增强增加了多样性,为后续无人机电力巡检避障的目标检测算法做了数据准备。（2）提出一种基于模型压缩的ED-YOLO（Efficient-Depthwise YOLO）网络模型以实现无人机障碍物的目标检测。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量的前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中的冗余通道,减小模型体积并提高模型检测速度。在自主构建的9600张电力巡检无人机飞行障碍数据集的测试下,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。最后对比多种其他现存方法,表明提出ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,可以很好地实现无人机巡检时对障碍物的检测,为电力巡检无人机避障决策提供了依据。（3）研究了电力巡检环境中无人机避障路径规划。首先提出无人机系统总框架以及无人机避障策略,选用ZED相机建立双目视觉系统得到障碍物的三维空间信息,由NVIDIA嵌入式计算机为目标检测算法和双目视觉系统提供算力。其次介绍传统人工势场法并针对该算法在电力巡检环境存在的缺陷进行分析说明,提出解决方案同时在MATLAB软件中进行仿真对比试验说明其有效性,最后在室外环境下进行实验验证。该论文有图50幅,表8个,参考文献63篇。