输电线路上的绝缘子定位并及时发现故障是智能电网的重要研究内容。近年来,利用无人机对高空输电线路巡检变得越来越普及,已经成为一种重要的电网巡检方式。在无人机拍摄得到的图像中自动对绝缘子进行定位,能够进一步减少人工查找的工作量。但无人机巡检过程中所拍摄到的图像背景非常复杂,包括房屋、铁塔等干扰物。巡检时无人机会环绕铁塔飞行,这使得拍摄图像的视角、光照等变化很大,且遮挡频繁,这些都给绝缘子定位带来很大的困难。本文利用计算机视觉理论和技术对具有复杂背景的航拍图像中的绝缘子进行定位,从无监督和有监督两种思路来解决目标定位问题。通过深入分析绝缘子这一特定模式的特点,提出一种基于重复模式检测的绝缘子定位算法,这种无监督方法能够在复杂背景的航拍图像中鲁棒的检测出绝缘子,取得了与有监督的方法相当的定位效果。在此基础上扩展成为一定形状先验的重复模式检测框架。在有监督的绝缘子定位方面,我们利用深度学习的方法对绝缘子进行定位,获得了较好的效果。论文的主要工作:1、提出了一种无监督的基于重复模式检测的绝缘子定位方法。该方法首次将重复模式检测引入到绝缘子定位中,能够方便的进行多尺度检测。该方法把MSER作为基本特征,充分利用其组内嵌套的特性,提出了一种基于空间位置约束和相似性度量的视觉单词聚合方法,并依据赫姆霍兹原则建立评分模型对视觉单词进行筛选。最后根据联合优化框架对绝缘子进行定位。在所构建的数据集上达到准确率77.8%和查全率82.3%。实验证明了该无监督的方法能够在复杂背景下对不同拍摄视角、分辨率、不同材质类型的绝缘子达到鲁棒的定位。2、将原有基于重复模式检测框架扩展成一定形状先验的重复模式检测框架。并应用到自然场景图像中。在实验的过程中,以同一条直线和等间隔这种形状先验为例,使用SIFT描述子,在自然图像和绝缘子图像中分别进行了实验。实验结果证明了该方法的可行性。3、本文简述了几种常见的端到端的深度学习目标检测网络。使用Caffe框架下的网络模型SSD用于航拍图像的绝缘子的定位。并取得了准确率85.778%和查全率88.957%的结果,实验验证了该方法的可行性。此外,鉴于目前没有公开的绝缘子图像数据集,本文构建了一个航拍的绝缘子图像数据集,包含多种材质、多种角度、复杂背景的绝缘子图像。并搭建了一个倾斜矩形框标注工具,对数据集进行了手工标注。在研究的过程中,还为本文所研究的算法搭建了一个实验平台,包括逐步调试和批量识别以及评估等功能。