接触网是电气化铁路牵引供电系统中的重要组成部分。一旦发生故障,将会直接影响牵引供电系统的正常运行,甚至还会中断电气化铁路的行车功能。伴随计算机视觉技术的发展,高铁巡检装置开始利用视觉检测装置。铁路沿线场景复杂、拍摄画面背景复杂多变,对于图像处理技术的要求不断提高。所采集的大量录像数据,急需采用图像识别技术进行甄别。目前还没有针对大量的复杂背景接触网巡检图像进行零部件检测、异常情况智能识别的研究,因此研究如何高效地对接触网巡检图像进行智能识别,对于高铁巡检技术具有重要的意义。本文根据接触网巡检装置采集的线路视频图像数据,采用图像处理和模式识别等方法,对大量接触网巡检图像中异常情况的智能识别作了探索性研究,主要的研究内容包括以下几个方面：第一,建立了接触网关键部件检测识别所需的图像库。基于实际路线的巡检视频数据,对接触网关键部件、绝缘子和支持装置的视频图像特征进行统计、归纳和分析,建立了一套接触网异常、正常情况图像库,以及绝缘子检测实验样本图像库,为后续研究工作提供实验数据。第二,完成了支持装置的定位。在分析目标检测和识别的研究理论方法基础上,对提取的视频图像特征采用AdaBoost分类器进行分类识别,获取图像中绝缘子区域；然后,根据绝缘子的几何关系定位支持装置,实现接触网关键部件感兴趣区域的自动获取。第三,实现关键部件疑似异常情况的智能识别。基于数字图像处理技术,对感兴趣区域进行光照和细线干扰消除处理,提出了一种接触网支持装置完整性的智能判别方法,实现了大量图像数据中接触网关键部件异常图片的筛选。