接触网检测关乎铁路运营安全。为了保证铁路稳定运营,铁路总公司开发了铁路供电系统安全性检测监控平台（6C系统）,其中接触网悬挂状况检测监测系统（4C系统）通过人工检测和传统模板匹配的方法对接触网各个部分进行检测。但是传统模板匹配和人工检测方法存在泛化能力差,需要依赖大量人工等问题。近年来以深度学习为基础的计算机视觉技术发展迅速,因此本文结合深度学习目标检测最新算法对绝缘子检测技术进行理论和实验研究。通过收集和筛选大量接触网现场图片,构建了绝缘子数据集。根据需要挑选了不同状态的绝缘子图片,然后采用数据增强的方式对数量不足的破损样本进行扩充。使用软件Label Img对所有绝缘子图片人工标注,数据集标注之后存储为VOC数据集,用于训练和测试网络模型。针对铁路绝缘子故障检测方法速度慢、实时性低等问题,提出了一种基于YOLOv4-tiny改进的绝缘子破损检测方法。首先分别引入三种不同卷积注意力模块,并进行实验对比分析,随后添加实验效果最好的卷积注意力模块对目标检测网络进行改进,最后与其他经典目标检测算法对比实验。实验结果表明,该方法能够使网络自适应提取目标对象有效特征,在保证一定的检测精度的前提下有效提高了检测速度,可以适用于实时检测。针对铁路绝缘子故障检测方法存在漏检、误检,导致精度不够理想的问题,提出了一种基于Efficientdet改进的接触网绝缘子破损检测方法。首先采用K-means算法对本文绝缘子数据集上的样本重新进行聚类,生成更具有针对性的anchor,然后在Efficientdet接触网绝缘子破损检测模型中,对特征融合模块重新设计,最后通过对比实验,对Efficientdet网络模型在绝缘子数据集上的故障分类准确率进行验证。实验结果表明,重新聚类生成针对性锚框可以有效减少检测漏检小目标的问题,特征融合优化有效地提高了Efficientdet网络模型的特征融合效率,进一步提高了绝缘子检测精度。本文设计的两种接触网绝缘子检测算法都能够准确定位目标绝缘子,并对绝缘子的状态进行正确分类。改进YOLOv4-tiny的检测算法在检测速度方面表现突出,改进的Efficientdet检测算法在检测精度方面表现突出。