随着智能电网建设的快速发展，电力系统设备种类和数量越来越多，对电力设备图像的特征提取和准确分类，有利于提升电力系统管理的自动化和智能化水平。本文首先对从现场采集到的电力设备图像进行预处理，统一尺寸、增强对比度、滤波去噪等过程，增强有用信息，以便可以获得清晰度更高、对比度更强、对象更加突出的图像。进而研究图像的颜色、纹理和形状特征提取方法，提取了基于HSV空间的电力设备的颜色矩等特征；基于统计方法的共生矩阵提取区域的纹理特征；基于Hu不变矩的形状特征，在此基础上，针对用于图像的特征提取的Hu不变矩量计算量大，角点向量匹配时维数较多的问题，提出了基于关键点的Harris角点不变矩算法，该算法能够把点特征转化为特征向量，减少了角点匹配的维度，并由原来针对整幅图像计算Hu不变矩量减小到只针对角点来计算不变矩量。然后利用支持向量机相关的原理和技术，构建SVM分类器，选择径向基为核函数，分别用交叉验证法和PSO方法训练分类模型，并最终确定出该实验的最优参数值，来对电力设备图像单一和组合特征量的分类能力进行了分类的测试。最终选择了颜色矩和基于关键点的不变矩结合的综合特征来作为特征提取向量，并通过粒子群算法寻找支持向量机的最优参数，使得电力设备图像的分类准确率有了大大的提高，平均分类准确率均可达到85%以上。