电力设备是电网系统的根本构成,电力设备状态检测是电力改革中不可缺失的一环。随着电网规模的不断扩大,智能化程度要求的增加,电力设备运行的稳定性、可靠性和安全性也成为了重中之重。红外检测技术是唯一通过设备温度信息可视化来揭示电力设备运行状态,能够对电力设备不停电、定时或实时检测,具有非接触,快速准确等特点,有效地发现运行设备故障隐患,在电力企业中得到了广泛的关注与应用。然而,当前电力设备红外图像分析仍存在着人为因素影响大、图像分析效率低等缺点,单纯的红外检测技术已经不能满足电力设备检测需求,将红外技术与图像处理技术,人工神经网络方法的结合成为了突破口。本文以500k V关键变电设备为研究对象,首先介绍了红外辐射原理,为红外辐射检测设备温度分布提供理论依据,并梳理了红外成像原理,红外图像特点以及红外热像仪相关参数等。其次,明确本文研究的关键变电设备工作原理、基本结构、故障类型和红外图像特征等,并根据变电设备的故障类型对设备进一步划分。第三,统一图像像素大小并提取图像目标设备,构建图像样本数据库;了解Alex Net网络的优势和特点,并结合本文红外图像的相关特征,构建改进Alex Net算法,对变电设备红外图像分类进行研究,实现对不同设备运行状态处理方式的自动选择;通过与BP神经网络比较,确定本文的算法的优越性。第四,基于带电设备红外诊断应用规范,针对所研究变电设备的不同故障类型,确定对应的运行状态智能分析方法。若为电流致热型设备,则基于RGB和HSV颜色空间转换来分离背景,导入红外图像温度,提取分离后的部件区域温度数据,采取表面温度判断法检测变电设备状态;若为电压致热型设备,针对其温升不明显及其温度分布与位置呈非线性关系的特点,在颜色空间转换的一重背景分离基础上,还需基于Hough变换的改进Ostu算法对变电设备进行第二重背景分离;输入温度数据,利用自适应网格划分算法,提取温度特征,与正常状态设备进行温差比较,判断设备运行状态,建立完整的关键变电设备红外图像智能分析方法和流程。最后,通过变电设备案例研究表明本文所提出的研究方法对提高变电设备红外图像状态分析有着良好效果。