中国的电网飞速发展,对电网安全运行各阶段智能化要求以及对人工成本的削减的要求日渐提高。电网线路上设备组成较为复杂,而且设备工作关联的紧密性较强,潜在隐患可能导致大规模的供电故障,所以及时、有效的检测是必不可少的。线路的人工检测存在慌检、漏检、误检的情况,同时减少人工成本也是必然趋势。深度学习作为近几年的热门技术,在各个领域中应用广泛。然而现有的深度学习智能检测方法多通过深度学习单模型进行图像识别,由于所选模型的固有问题,识别准确度和泛化能力有待提高。并且目前智能检测方法多针对于某一目标设备或是某一种缺陷,不能够对电网线路整体缺陷与故障进行风险识别。本文研究一种基于深度视觉的配电设备风险特征智能识别技术,对巡检的图像数据进行深度学习并自动取得风险特征的分类。首先本文研究了在电网的智能巡检工作获得电网设备的图像数据的过程中,需要处理的无人机电磁兼容问题与无人机自动避障的策略,以及针对图像数据捕捉的巡检方案的设计,以获得高质量的巡检图像数据。其次,研究将通过智能巡检获得到的图像数据进行目标识别,智能地将复杂背景中的电力设备自动标注,具体地,将获得的配电设备图像数据进行处理输入至目标识别深度神经网络,通过训练获得的网络模型可以对图像数据进行目标识别并裁剪出子图像。再而,本文研究了机器学习对获得的电力设备子图像进行分类的技术,本文研究并使用了多种机器学习模型,包括深度卷积神经网络,通过训练得到不同模型对配电网设备的分类结果,并研究对比了几个模型在不同层数不同迭代轮数下的结果的差异。最后,本文研究了使用集成学习技术,对配电网设备特征在多个模型中的分类结果进行结合,并进行二次学习的风险预测方法,并对比了与单分类器模型分类结果的差异。