电气化铁路的快速发展对牵引供电系统的安全性提出了越来越高的要求,受电弓是电气化铁路牵引供电系统的重要设备,研究受电弓异常状态检测技术,实现对受电弓的动态监测,有利于保证弓网系统运行的安全性及稳定性。与传统的受电弓检测方法相比,目前基于计算机视觉与人工智能技术的检测方法是研究实现受电弓异常状态检测的主要方法。本文研究了基于显著性与GAN网络的受电弓异常状态检测方法,该方法首先通过提取受电弓视频图像,利用图像标注工具生成受电弓显著图,这些原始图像与标注生成的显著图像数据,共同构成本文的受电弓数据集;然后针对现实情况下受电弓异常状态数据较少的问题,构建基于U-Net网络的显著性检测模型,该网络模型有效地抑制图像中的背景噪声,减弱无关紧要的信息对受电弓的影响,降低像素计算量,进而实现基于显著性的受电弓准确定位;接着构建生成对抗网络(Generative Adversarial Networks,GAN)模型,该网络模型克服了数据集的正负样本分布不均衡的缺点,实现将异常状态数据重构为正常状态数据;最后,通过图像的结构相似性算法分别从亮度、对比度、结构三个方面计算输入显著图像与重构显著图像的结构相似度分数,提取差异特征,并可视化差异区域,实现受电弓的异常状态检测。本文完成了受电弓的显著性检测和异常状态检测实验,其中,显著性检测实验结果表明与经典的Itti显著性检测方法相比,本文设计的U-Net显著性检测方法具有更高的准确性;异常状态检测实验结果表明,本文设计的基于GAN网络的异常状态检测方法能够对受电弓的几种典型的异常状态进行有效的检测与准确定位。