随着光伏产业的快速发展,光伏装机容量逐渐增多,由此增加了光伏电站的运维压力。当光伏组件发生故障时,不但影响发电效率还会带来安全隐患。无人机凭借其机动性强、可编程性高、自动化程度高等优点,已经成为主流的巡检设备,并推动了基于无人机巡检的光伏电站故障诊断系统的产生。通过无人机搭载热成像镜头,在获得的红外图像中可以直接观察到光伏组件产生故障后的发热情况,此方式越来越受到研究者的重视。本文以基于无人机巡检的光伏电站红外图像故障诊断系统为背景,以实现从输入图片到输出故障诊断报告为目标,结合深度学习技术,对实现完整系统需处理的关键问题进行了研究。首先,对于红外图像中的光伏区域视觉识别问题,本文从传统图像处理方法与深度学习两个方向研究比较了光伏区域分割效果。本文提出针对性的数据增强方式,并使用一个基于深度学习的显著性目标检测网络获取准确的光伏区域,分析了该网络在面对复杂环境下的准确性和鲁棒性。其次,对于光伏组件故障检测问题,本文在光伏区域视觉识别的基础上,对获得的完整光伏支架区域进行光伏组件的分割。以图像分类算法为基础,使用数据增强、特定损失函数的方法解决样本不均衡的问题,得到精确的分类结果。同时,本文使用基于深度学习的目标检测网络在红外图像上直接进行故障检测,缩短了检测所需的时间。当红外图像中无法于视野内获取完整光伏支架区域时,本文针对光伏电站红外图片往往呈现低纹理或重复纹理的特性,提出了基于局部图像特征匹配的拼接方法,极大提高了特征获取和匹配的能力,有效完成拼接工作。最后,在故障信息输出阶段,本文提出了基于最小欧式距离匹配的故障定位方法,实现了故障的组件级定位。在多场景不同光伏电站的实际数据的支持下,通过实验对模型方法进行了评估,实验结果证实了本文提出方法的准确性和鲁棒性。