本文主要针对智能电网建设对输电线路状态远程监测的需求,提出了基于数字图像处理和人工神经元网络识别的智能判别方法。　　 首先,根据国家电网公司智能电网试点工程建设经验,以及国网公司对输电线路状态监测技术应用情况的调研,提出了目前输电线路图像/视频监控系统面临的智能识别能力不足等问题,分析了输电线路气象环境、导线温度等十类运行状态的识别方法,提出了开展基于图像处理的输电线路智能识别技术研究的必要性及技术需求。　　 其次,通过研究野外现场图像的获取方案,对目前我国输变电设备状态监测系统建设中前沿通信技术方案进行了分析与设计,重点分析了通过电力系统独特资源OPGW获取现场图像的方法,同时针对冬季覆冰季节遇到的高速球结冰等图像获取难题,提出了针对典型线路高速球的热设计方法。　　 在文中,主要应用数字图像处理技术对采集到的输电线路设备状态图像综合使用灰度变化、直方图修正、小波包去噪以及边缘提取算法等对线路的远程状态图像进行处理,处理后的图像对比度明显增强,使线路特征更加突出,易于后续的图像特征提取。运用常用的几个边缘检测算子:Roberts算子、Sobel算子、Prewitt算子、Log算子、Canny算子对输电线路状态图像进行边缘检测,检测结果表明Prewitt算子检测效果较好,速度较快。　　 根据输电线路设备状态图像的特点,通过将图像进行n行×n列(n≥2)分割后,分别提取线路或元件边缘特征分布作为特征量,经多次试验,取值n=6,实现了具有良好适用性的特征提取方法。　　 最后,构建了三层BP人工神经元网络对典型的线路状态进行训练识别。设计了神经网络模型,确定网络的层数及各层神经元数目,隐层和输出层选择型S函数作为激励传递函数,通过对各种算法的比较,得出Levenberg-Marquardt学习算法是最优的算法,用已知样本对神经网络进行学习,将训练成熟的网络对未知样本进行仿真,对多种设备状态图像的识别准确率达到89％以上。试验证明,该方法具有良好的识别效果和重要的推广价值。