绝缘子长期暴露在外界环境,极易出现破损,缺片等故障。如果不及时检修或更换,对于电力系统的稳定运行十分不利。而传统人工巡检不仅效率低下,易受主观影响,又会对人力产生浪费,因此目前多采用无人机巡航以及图像处理技术对绝缘子故障进行识别。为了能够提高绝缘子故障检测的正确率,本文主要做了以下几项工作:(1)针对全卷积神经网络分割存在边缘细节模糊的问题,本文提出了一种基于分水岭修正的全卷积神经网络分割算法,以提高图像对比度,增强图像质量。首先利用全卷积神经网络对特征信息的处理找到每个像素所对应的类别,实现像素集的分类效果,对图像进行初步分割。其次利用分水岭算法对边缘的有效定位,对全卷积神经网络的分割结果进行边缘修正。最终将分水岭分割结果与全卷积神经网络的分割结果相叠加,以此来获得较为精确的图像分割结果。通过实验对比以及客观评价指标的量化分析,结果表明本文提出的算法能够将绝缘子区域精确的分割出来,同时还解决了传统分割算法的误分割问题,为后续的故障识别分类提供可靠的支持。(2)为防止蝙蝠(BA)算法因步长的影响使得寻优速度单一,易过早的陷入局部最优解,提出一种基于云理论的BA算法。首先利用正态云模型产生自适应权重,并将其应用于BA的速度更新公式,以此来满足算法对局部搜索以及全局搜索的需求。然后将改进后的BA优化算法对SVM的惩罚因子C和核参数g进行寻优,建立基于改进BA优化算法的SVM算法的绝缘子的故障识别模型。该模型与传统SVM、BP神经网络和卷积神经网络相比,对于小样本数据的绝缘子的故障识别正确率更高,验证了模型的可行性和有效性。(3)利用MATLAB仿真实验平台设计了绝缘子故障识别软件。在该软件中,可以对采集的图像进行去噪,滤波,增强等基本功能,同时还具有对于绝缘子的故障识别功能。