保证供电设备能够正常稳定的工作是电力系统运维的重要使命,通过实时监测并在第一时间内发现设备的异常运行状况,可以最大限度预防和减少事故发生。红外检测技术在电力系统运维任务中因安全、可靠等优势被广泛应用于国内外电力行业中。但目前对红外图像的分析还要依靠资深的专家,该过程将耗费大量人工与时间成本,极大地降低了设备运行状态的检测效率。因此基于红外图像的智能热缺陷诊断已成为当前电力领域人工智能研究的热点,而对目标快速精确地定位是实现电力智能巡检的前提和关键。根据可见光图像与红外图像分别对于设备定位、全天候温度场分析的优势,通过结合发挥多源图像的优势,相辅相成,从而提升检测准确率与诊断效率。针对目前电力设备红外诊断技术面临着规范化、专业化、自动化与智能化的多方面需求,本文重点围绕深度学习与数据融合技术,对电力设备识别定位和热缺陷诊断展幵了重点研究,最终将研究成果应用于电力设备的智能热缺陷诊断系统当中。本文的研究内容和创新之处主要体现在以下几个方面。（1）针对单源图像的目标检测及热缺陷诊断算法存在精度低,实时性差等问题,提出了一种基于多源融合的电力设备智能热缺陷诊断方法。首先将经过优化后的YOLOv4网络与PP-YOLOv2网络分别应用于可见光图像与红外图像的目标检测任务中。然后,设计决策级融合方法将上述检测结果进行融合,实现电力设备的更精准识别与定位。最后,应用热缺陷诊断方法完成对电力设备热缺陷的判定。在可见光图像目标检测任务中,针对YOLOv4算法难以满足边缘端实时检测需求的问题,在YOLOv4网络架构下,使用轻量级特征提取网络Ghost Net、嵌入ASFF模块并拓展多尺度检测,使得模型轻量化的同时加强对遮挡目标的检测,从而提升了设备检测速度与精度。在红外图像目标检测任务中,针对PP-YOLOv2算法在红外目标检测任务中对多目标和难分样本的检测需求,结合协调注意力CA（Coordinate Attention）模块来增强模型提取全局特征的能力,并引入GHM梯度均衡机制改进损失函数来提高预测框边界准确度。实验表明,本文设计的诊断方法能够实现更高精度的识别定位以及更自动化的热缺陷诊断。（2）将本文提出的多源信息融合的诊断算法,个性化设计并应用到了变电站电力设备智能诊断系统当中。智能诊断系统满足用户在不用编程的情况下,直接操作图形化界面实现电力设备红外光-可见光双光谱监测的需求,并实时反馈设备检测与诊断过程中的信息和结果,有助于检修人员对设备的热缺陷点进行及时维护,推动电力运维工作的自动化。