高速铁路接触网作为牵引供电系统中的关键供电设施,主要承担动车组的电力供给功能,它的可靠性直接影响动车组的安全运行。接触网支持装置零部件是接触网的重要组成部分,由于外界环境和列车的长期高密度运行,支持装置零部件容易发生系列故障,严重威胁到了列车的安全运行。但由于缺陷种类众多,传统的图像处理方法都需要针对不同的故障特征来设计专门的检测算法,不具有通用性,也无法完成实时故障判别。与此同时,缺陷样本占所有样本的比例很低,缺陷样本较难获得且数量不足,导致有监督学习方法如卷积神经网络分类器容易出现过拟合问题,很难有效监测异常样本,准确度较低。因此,研究出一套通用且高效的故障检测系统是有非常重要的实际工程意义的。本文利用在计算机视觉领域中新兴的生成对抗网络无监督学习技术,结合已取得优异成果的深度学习目标定位技术,设计了一套端到端的接触网支撑装置零部件缺陷检测系统。首先,在深入分析比较各种目标检测深度学习框架的基础上,如SSD(Single Shot Multi Box Detector)、Faster RCNN(Faster Region Convolutional Neural Networks)、YOLO(You Only Look Once)、FPN(Feature pyramid networks)等,为了获得精确的定位结果为后续的故障检测做准备,选用了Faster-RCNN(Res Net-101)作为检测网络;与此同时,调整网络参数,利用一些预处理方法(数据增强、图像去噪等),实现零部件的精确定位和提取,并构建出一套零部件数据集,一定程度上缓解了人工标记带来的繁重工作量。其次,考虑到故障样本数量有限的难点,构建了一种基于生成对抗网络的生成模型,分析比较了各种生成网络框架,如DCGAN(Deep Convolutional Generative Adversarial Networks)、EGBAD(Efficient GAN Based Anomaly Detection)、GANomaly等,隐式地构建图像空间到高维特征空间的映射关系。最后,基于分析缺陷样本与正常样本在图像分布或潜在空间的差异,综合接触网支持装置各零件的故障种类和缺陷特征,建立了一种缺陷检测评估标准模型。本文选取接触网支持装置零部件中最具特点的零部件绝缘子和等电位线进行了相关实验测试,实验结果表明,论文提出的故障检测系统可以快速准确进行接触网零部件故障的预筛选工作,具有良好的通用故障检测能力,但也存在零部件故障区域未定位、生成网络模型鲁棒性较弱的问题。本文最后针对这两种问题提出了改进方案,利用纹理信息而不是零部件整体信息来构建生成网络模型,以提高缺陷检测器的性能,并可采用记忆单元手段来避免生成模型/编码器性能过强而导致的假阳性问题。