随着高速铁路的快速发展,铁路系统对铁路的运营维护也提出了更高的要求。接触网作为电气化铁路的重要组成部分,对其可靠有效的监测维护是保证铁路安全运营的前提。目前,铁路总公司已经将接触网悬挂状态检测监测装置（4C装置）应用到接触网状态监测领域。但是,该技术是通过人工视图和传统图像处理方法进行接触网部件的状态检测,这种方法检测效率低,检测结果不稳定,已很难满足铁路系统智能化发展的要求。绝缘子作为接触网系统的重要组件,长期处在复杂环境,受到强电场和各种外力的影响,绝缘子内部可能会出现击穿现象,绝缘子表面可能会出现瓷片破损,闪络,表面积污和表面异物等异常状态,从而影响绝缘子正常工作。为对绝缘子状态进行准确高效的检测,本文主要以4C装置采集的接触网图像中腕臂棒式瓷绝缘子为研究对象,对绝缘子表面的两种典型异常状态,瓷片破损和表面异物的检测进行研究。首先,本文对卷积神经网络和深度学习目标检测算法相关知识进行介绍,为对接触网图像中的不同尺度绝缘子进行准确有效的识别,选择识别准确率较高的Faster R-CNN算法作为绝缘子定位识别算法,并对原算法的特征提取网络和非极大值抑制（Non-Maximum Suppression,NMS）算法进行优化改进来提高网络检测性能。通过与其他算法进行实验对比,结果表明改进Faster R-CNN算法对接触网绝缘子的检测准确率有较为显著的提升。其次,利用绝缘子图像的灰度纹理特征,通过SVM（Support Vector Machines,SVM）算法将绝缘子有效的区分为表面状态正常绝缘子和表面状态异常绝缘子两类。然后根据绝缘子表面灰度呈周期性的特点,使用灰度积分投影法对绝缘子瓷片缺损和绝缘子瓷片间夹杂异物两种异常类型进行识别分类。最后,将YOLO v5算法应用到绝缘子表面状态检测任务中。由于YOLO v5算法在网络结构中使用了特征金字塔网络（Feature Pyramid Network,FPN）和路径聚合网络（Path Aggregation Network,PAN）的组合结构,可以获得语意和位置信息都特别丰富的特征图,并使用Mosaic数据增强方法,随机缩放扩大小目标的数量,提高了网络的鲁棒性,使YOLO v5算法在对绝缘子表面异常状态的检测任务中检测效果突出。同时为解决绝缘子表面异常状态样本少的问题,使用深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）生成表面异常状态绝缘子图像对数据进行扩充。通过与其他算法在相同实验条件下进行绝缘子表面状态检测仿真实验,实验结果表明YOLO v5算法相较其他算法对绝缘子表面各类异常状态都有较高的识别准确率。