为满足社会发展需求,实现电力行业信息化转变,国家电网公司提出建设以信息化、数字化等特征的智慧电网发展目标。但是,目前电网基础设施输电铁塔的台账信息统计方法存在精度低、速度慢等问题。亟需一种快速、高精度的输电铁塔检测方法来促进智慧电网的发展。其次,当输电铁塔受人为因素或自然灾害而损坏时,常常造成铁塔倒塌、铁塔倾斜等严重故障,导致大面积停电,进而造成巨大的经济损失。因此,在受灾应急响应下对输电铁塔所在位置进行准确的检测不仅可以在突发状况来临时挽回经济损失,满足受灾状态评估,也可以为救援抢险提供宝贵的时间。但是目前输电铁塔通常采用人工实地调查、无人机等传统信息采集方式,存在效率低的问题。遥感技术的快速发展,遥感影像的分辨率也在不断地提高,为输电铁塔大范围的信息提取提供了重要的数据基础。但是目前基于遥感影像的输电铁塔目标检测通常使用人工解译、传统的机器学习等方式,存在效率低、精度低等问题。近些年深度学习的快速发展,为遥感影像的输电铁塔信息提取提供了快速、智能的方法。输电铁塔通常采用桁架结构、塔状形状的设计,导致在基于遥感影像进行深度学习铁塔检测的过程中存在训练样本受背景环境影响大、铁塔影像几何畸变大、铁塔重叠等问题。针对以上问题,严重影响了输电铁塔的智能检测效果,所以本文提出基于高分辨率遥感影像的输电铁塔智能检测方法。针对遥感影像提取输电铁塔的影响因素,设计了顾及输电铁塔多特征融合的特征提取网络,构建了基于金字塔池化模块（Spatial Pyramid Pooling,SPP）、可变形卷积和注意力机制的加强特征提取模块。本文采用中俄边境、江苏省、广州省等地区的航空遥感影像数据,制作了高分辨率遥感影像的输电铁塔数据集。进行了基于高分辨率遥感影像的输电铁塔智能检测方法验证实验。实验结果表明,本文所提方法是有效的,输电铁塔提取平均精度为93.52%、召回率为87.55%、准确度为96.16%。相比Faster-RCNN算法、SSD算法、YOLOv3算法等典型的深度学习目标检测方法,平均精度分别提升了12.85%、4.4%和3.72%以上。该论文有图54幅,表10个,参考文献71篇。