随着输电规模的不断扩大,保障输电线路的安全是电网运行的关键问题。绝缘子是电力杆塔上绝缘控件,除了要经受正常机械、电力的高负荷运转之外,还容易遭受外界自然因素的影响,容易发生自爆,多次引发电力安全事故,因此绝缘子缺陷及故障检测是输电线路巡检的主要任务之一。传统的人工巡检方式劳动强度大、工作效率低下,还具有一定的危险性,天气因素会影响巡检工作。利用深度学习的目标检测算法对绝缘子自爆进行检测,可以更好提高自爆缺陷的识别准确度,有效推动输电线路的智能化巡检。本文首先对输电线路航拍得到的绝缘子自爆数据进行标注,构建出用于深度学习算法训练、测试的图像数据集。然后利用单阶段算法YOLOV4作为基础网络,对绝缘子自爆数据进行识别测试。通过对实验结果进行分析,发现基础网络召回率低,网络存在较多的漏识别情况。为了更好地实现绝缘子自爆的准确检测,本文对YOLOV4网络进行改进,提出了针对绝缘子自爆缺陷识别的改进算法,提高了识别准确率。本文主要的工作有以下两点:（1）为了解决在图像中占比小的自爆难以识别的问题,本文提出了一种基于多尺度特征融合的绝缘子自爆识别方法,通过利用浅层细节信息,提高网络对小目标的识别准确度。针对于图像背景复杂、无关信息多、多尺度特征进行拼接时存在冗余通道的问题,本文提出了一种基于通道注意力机制的自爆识别方法。该方法既可以捕获特征图上的全局平均信息,又可以获取到全局的最大信息,能让网络聚焦和增强有效特征,从而提高网络对自爆区域的关注能力。（2）为了更好获取目标的上下文信息,改善网络的漏检和误检情况,本文提出了一种基于空洞卷积的特征增强方法。该方法采用不同膨胀率的空洞卷积来对输入特征进行提取,在保证特征图分辨率不变的情况下,极大地丰富了网络的感受野,充分地利用了目标的上下文信息。最后本文将这三种改进方法结合使用,提出了基于特征融合、注意力机制、空洞卷积的改进YOLOV4绝缘子自爆检测算法。改进后的网络在自爆检测上的AP（Average Precision）取得了 90.15%,相比原始网络提高了 6.86%,召回率提高了 9.94%,很大程度上提升了自爆的识别准确率,为以后更好的工程化应用打下基础。