输电线路巡检对维护电网正常运营起着至关重要的作用,但输电线路分布在各种复杂地理环境中,且线路上待巡检部件及故障种类繁多,给巡检工人带来了极大的工作负担。当下我国电网规模日益扩大,传统的巡检方式已无法满足要求,急需寻找一种新的高效便捷巡检方式。无人机所具有的跨地理特性及计算机视觉技术的高效图像处理特点相结合,为输电线路巡检提供了新的解决方案。本文基于这一背景,面向无人机前端巡检的发展方向,围绕线路巡检中的多种待巡检目标的定位与识别展开研究,对促进输电线路巡检的智能化具有重要作用。本文的主要工作有:(1)针对用于深度学习训练的电力数据集短缺问题,整理出电力部件检测数据集与绝缘子自爆故障数据集。研究深度学习相关理论,验证多种经典目标检测算法在电力部件数据集上的性能表现,选择基准模型为后续进一步研究奠定基础。(2)提出一种适用于无人机前端实时检测的轻量级特征融合检测模型(Lightweight Feature Fusion Detection Model,LFF-DM)。首先通过改进式的k-means算法设置先验框,再结合深度可分离卷积和倒置残差设计全局轻量化网络结构,同时为适用于嵌入式设备引入h-swish激活函数。实验结果表明在嵌入式设备NVIDIA Jetson AGX Xavier上可以实现25FPS的检测速度及90.48%m AP的检测精度,适用于输电线路移动端实时精确巡检。(3)分析不同的部件其故障特点采用不同的故障识别方案,为输电线路故障识别提供了新思路。针对故障不易判别的待检测目标,利用前置的检测步骤排除背景干扰,将目标区域限定到具体部件区域,然后分别使用检测与分类两种方案进行故障识别。对于分类方案,本文提出一种基于细粒度分类的多特征融合轻量化双线性卷积神经网络(Multi-feature fusion bilinear convolutional neural network,MFFB-CNN),通过两个特征提取网络的特征提取过程中多次特征融合,提升特征向量所含信息量,最终获得较优的分类结果。