近年来,随着电力需求的急速上升,国家加大了电网的建设力度,电网巡检及维护的工作量也日益增大。绝缘子是输电线路的重要部件,终年暴露于外部环境中,极易受到极端天气、材料老化以及人为因素的影响产生故障。目前,电网已逐渐采用无人机巡检采集绝缘子图像,但采集到的数据量巨大,并且巡检图像中存在光照、拍摄角度、复杂背景等因素影响,完全采用人工阅读绝缘子样本费时费力。因此本文运用电力视觉技术对绝缘子图像进行了相关研究,本文主要工作如下:论文针对绝缘子数据集少的问题,通过旋转、水平翻转和加入光照模拟不同采样条件下拍摄的绝缘子,将绝缘子样本数量扩充为原来的四倍,为后续的研究提供了基础。论文针对绝缘子的正常与故障的分类问题,提出一种基于Gabor特征和WOA-SVM的绝缘子分类算法,通过分析绝缘子外观特性和所处环境的复杂性,采用Gabor算法提取特征,并结合主成分分析法（PCA）对提取到的特征向量进行降维去噪,将其用于训练支持向量机（SVM）,并采用鲸鱼优化算法（WOA）对SVM的惩罚因子C和核函数参数g进行优化。实验结果表明,本文提出的算法在对复杂背景下的正常与故障绝缘子具有较好的分类效果,在精度上优于PSO-SVM和GA-SVM经典算法。论文针对故障绝缘子缺陷检测的问题,提出一种改进的YOLOv4轻量级绝缘子故障检测算法。针对当前YOLOv4模型参数量和计算量大的问题,采用轻量级网络Ghost Net作为主干特征提取网络,并引入CBAM注意力机制,从空间维度和通道维度增强绝缘子特征,同时将预测部分的普通卷积替换为深度可分离卷积,进一步降低参数量。实验结果表明,本文提出的算法显著减少了模型参数量,在保证精度的前提下大幅提高了检测的实时性,达到了精度和速度的最优平衡。