随着计算机能力与人工智能的发展,社会对电力系统的智能化与自动化水平提出了更高的要求,希望在输电、变电、配电、基建等多种类型作业场景下实现对人员和设备等风险进行实时可视化和智能研判。例如在变电站日常监测工作中,积累了大量变电设备的红外图像以及工作人员的安全帽图像,工作人员需要在海量图像中确定变电设备的类别并确定其运行状态、判断其故障形式,判断多地多人的行为是否遵守安全规章制度。图像的成像质量、变电设备和人员行为种类繁多等各种主观和客观因素的影响,给变电站的安全监察带来很大的困难,导致变电站安全监察效率十分低下,自动化程度较低。针对变电站安全监察图像的监测问题,本文将深度学习和图像处理技术应用到变电站安全监察图像的智能识别中,对图像增强、图像去噪、特征选择等图像预处理、目标识别及定位方法进行了深入研究,提出了基于卷积神经网络的变电站安全监察图像目标识别及定位方法。根据变电站内各类变电设备红外图像的特点,本文提出了一种结合小波变换、MSRCP（Multi Scale Retinex with Chromaticity Preservation）图像增强、双边滤波法、阈值分割和特征选择等方法的变电设备红外图像预处理方法,实现对红外图像中变电设备的分割提取,减少红外图像非目标区域的信息干扰;然后引入广义交并比GIOU（Generalized Intersection-Over-Union）对卷积神经网络YOLOv3网络进行非极大抑制算法、先验框优化等改进,同时针对小样本数据集采用图像增强技术和迁移学习策略对改进的YOLOv3网络进行训练得到最终模型。实验结果表明本文所提的基于卷积神经网络YOLOv3的变电设备红外图像目标识别及定位方法具有较高的准确率及检测速度,为后续进一步故障诊断奠定了良好的基础。根据变电站工作人员安全帽图像的特点,本文通过MSRCP图像增强和双边滤波的变电站工作人员安全帽图像预处理方法,然后采用基于GIOU的K-means++算法对卷积神经网络Faster R-CNN进行相应的改进。实验结果表明基于卷积神经网络Faster R-CNN的变电站工作人员安全帽穿戴行为识别方法弥补了改进YOLOv3算法在小物体多目标检测上的缺陷,有效地提升了对变电站工作人员安全帽的识别准确率。本文所提方法能够满足电变电站的实时监测需求,有助于提高在线监控的工作效率和准确率,提升变电站的自动化智能化水平。