输电线路巡检对保证电力供应的安全稳定至关重要,其中直升机和无人机等是当前主要的巡检方式,巡检过程中会采集到大量的图像信息,通常采用数字图像处理技术对其进行处理与检测。由于传统检测算法多依赖开发者对于图像内容的先验知识,因此算法只对特定场景有效,其通用性和适用性普遍较差。深度学习算法通常可以自动提取图片特征,并形成特征的分布式表示,这更有利于图像目标的识别与分类,同时深度学习算法也具有更好的泛化能力;为了提高检测效果并提高检测算法的适用性,本文提出基于深度学习的卷积神经网络算法对输电线故障进行识别与定位。本文提出一个六层结构的卷积神经网络用于目标识别,并根据输电线本身的特点提出基于输出图信息的定位算法。首先利用滑动窗口法使卷积神经网络对输入图片的各个窗口进行识别并获得输出图,然后对输出图做二值化和开操作预处理,最后根据输出图信息对相应目标进行定位。网络训练过程中,利用图像增强算法对拍摄的输电线故障模型图片进行数据扩充,获得由17000张图片块组成的训练集和由4000张图片块组成的检测集,并用于网络训练,网络的检测集正确率为88.68%;在125张定位检测图片中,91.2%的图片中的输电线及其相关故障可以被检测出来。实验结果表明在包含复杂背景的图片中,深度学习算法可以准确识别和定位输电线及其故障,提高了检测算法的通用性和适用性。对于提高输电线故障的检测效率和提高检测正确率有着现实意义。