随着电气化铁道的高速发展，铁道接触网的作用举足轻重，保证接触网的正常运行是电气化铁路中的一项至关重要的工作。分析和检测接触网的常见故障和不正常运行状态，制定一系列预防措施，是接触网安全运营的重要保障。　　目前，对接触网的检测方式主要为人工分析机车内的车载视频，通过仔细观察，找出接触网中明显存在的或者潜在的威胁接触网正常运行的故障，这种检测方式花费时间长，受人为因素影响大。本文以铁路接触网检测的自动化、智能化为出发点，采用计算机视觉处理的方法对其展开了研究。本文重点开展了以下几方面的工作：　　针对高速铁路接触网非接触式图像检测中鸟窝难以自动识别定位的问题，结合鸟类筑巢的平台特点，提出一种基于鸟窝和硬横梁相对位置不变性的检测方法。将预处理后的图像利用Sobel水平算子获取到图像边缘，然后再采用概率Hough变换直线检测方法对图像实行角度校正，并结合待分析图像中线段长度关系实现最前景硬横梁的检测，最后对校正后的图像进行 Otsu二值化处理，通过统计硬横梁之间的白色区域面积，判断该横梁上是否存在鸟窝，实验表明：该方法对于位于硬横梁之间的鸟窝定位准确，识别率较高，实时性强，为铁路接触网的安全检测提供了一定的参考价值。　　对绝缘子进行识别时，考虑到其在接触网中独特的形状及纹理特征，决定采用机器学习的方式，将绝缘子的识别问题转化为分类问题。通过人工从大量复杂的接触网图像中截取绝缘子目标和其他背景图像，建立了正负样本数据库，经过图像预处理后提取Hog特征，输入到分类器中进行学习，再用生成的分类器对测试图像上的目标进行识别判断。由于传统的目标识别算法是在分类器训练完成后采取滑动窗口的形式对测试图像进行暴力搜索，这种搜索方式漫无目的，且产生窗口较多，运算量非常大，针对这种缺陷提出了一种基于选择性搜索的绝缘子目标识别方法。该方法首先采用选择性搜索算法从测试图像中将绝缘子目标分割出来，再用训练好的分类器对其进行识别，摆脱了传统滑动窗口的暴力式搜索，大大节省了运算时间，实验证明，选择性搜索算法分离目标的效果好，分离速度快。