近年来,随着我国社会经济的发展,电力事业也取得了前所未有的进步,特别是智能电网的发展成为了我国电力产业的重大需求。传统变电站运行状态监测及故障检测与识别主要依赖工作人员的定期巡检和操作,这不仅费时费力,同时也增加了相对主观判断因素的干扰,并且伴有一定程度的危险性,在特殊情况下甚至难以保障变电设备的快速准确检测与识别。随着图像处理和人工智能技术的飞速发展,它们在各行各业中得到了广泛的应用。本文以变电设备的红外图像为研究对象,通过图像处理、特征提取、分类识别等技术,期待达到智能检测与识别变电设备故障的目的,从而减轻人工巡检的压力,提高变电设备的安全隐患预警能力,以保障电网的安全可靠运转。本文的具体研究内容如下:(1)本文对红外图像检测技术的背景、意义和国内外研究现状进行了分析,探讨了红外图像检测技术在目前变电设备故障检测中的应用现状,从变电设备运行特点以及结构特点出发,介绍了几种常见的电力设备热故障类型。(2)本文对变电设备红外图像的预处理操作进行了研究,针对红外图像噪声较大,对比度较低,图像较模糊的缺点,通过对均值滤波、中值滤波、小波阈值等图像去噪算法进行仿真对比,提出了一种基于中值滤波的小波阈值去噪方法;在此基础上,为了提高原始红外图像的对比度和清晰度,提出了一种基于脉冲耦合神经网络PCCN模型的图像增强处理方法,并利用Matlab平台仿真验证了该方法的有效性;最后为了突出目标图像,使用Canny算子对图像进行边缘检测分割,达到了良好的分割效果。(3)本文提出一种基于HOG特征提取和支持向量机的变电设备红外图像分类识别算法,使得局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述,从而提高了对变电设备红外图像分类识别的准确率。(4)为规避人工分析的误判和环境干扰的影响,以上述研究为基础,在相对温差法对变电设备故障进行等级划分的基础上,基于Matlab_GUI平台搭载了与研究相对应的变电设备热故障检测与识别系统,并通过对多种类型高压变电设备的红外图像测试,验证了该系统的准确率。本文通过图像处理技术对变电设备红外图像进行研究,实现可以通过红外测温图像提高无人值守变电站内设备的运行维护效率,从而为实际变电设备故障智能检测和识别提供了理论基础,具有一定的实际参考价值。