接触网是铁路系统中较为薄弱的部分,一旦接触网出现故障,会直接影响到列车的安全运行,威胁人类的生命安全。因此,为保障列车的安全运营,对接触网故障部位进行检测与排查至关重要。使用智能图像处理技术的非接触式检测方法,无需介入行车系统,检测速度快,可以逐步代替目前效率低、误差大的人工巡检模式。本文紧扣接触网故障的检测与定位问题,从接触网图像拼接、故障火弧分割、故障检测与定位三方面进行研究。首先,针对高铁运行速度快,捕捉的接触网图像不完整,普通算法难以进行实时监测的问题,发展了一种基于AKAZE-ORB的接触网图像拼接算法,该改进方法使用AKAZE算法提取图像的特征点,使用ORB算法进行特征点描述,并使用自适应加权平均算法对拼接后的图像进行融合处理。实验结果表明,使用改进算法拼接后的图像无拼接缝、无鬼影,色彩和亮度过度真实自然。改进算法特征配准精度较高,且特征提取速度和特征点描述速度较ORB算法、KAZE算法和AKAZE都有较大提升。接着本文对故障火弧进行聚类分割研究,改进了PSO-FCM联合算法。引入粒子群算法(PSO)解决模糊C均值算法(FCM)算法对初始聚类中心敏感并容易陷入局部极值的问题。为了进一步提高PSO算法的搜索效率,并解决其过早收敛的问题,构造了一种多尺度交互式学习方案。该方案构造一个学习因子来改变步长迭代数,在粒子位置更新时引入学习因子,并在求取全局最优粒子时增加其他位置的权重信息来改进全局最优解。实验结果表明,改进算法比FCM算法和PSO-FCM算法的分割性能更优,分割结果更加准确。最后,本文改进了BOW模型来对接触网故障图像进行的检测与定位。改进算法在特征提取阶段,采用梯度位置方向直方图(GLOH)特征、旋转不变的等价LBP(RIULBP)特征以及改进的HSI-RGB颜色特征替换原模型的SIFT特征;在构造视觉词典时,使用基于权值分布的直方图表示方法对原有方法进行改进;在进行分类训练时,采用泛化能力更高的LSSVM分类器代替SVM分类器。大量实验表明,在同一条件下,融合特征的检测性能优于单一特征,改进的词典构造方法能一定程度提高检测性能,LSSVM分类器的训练速度比SVM分类器更快,并且改进算法比单一LSSVM算法和传统BOW算法定位更加准确。