为了提高电力系统的智能化水平,许多变电站除了具备“遥测”、“遥信”、“遥控”和“遥调”四遥功能外,还添加了“遥视”功能,利用远程传输过来的图像和视频及时评价相关设备运行情况。将图像和视频信息引入电力系统是一种巨大的技术进步,但是,现有的图像和视频监控系统仅仅是将大量的多媒体数据传输到调度端,不能对这些数据进行智能化分析,需要工作人员对接收到的数据进行人工分析和识别。人工处理方法效率低下、准确率不高,且人眼长时间工作不利于身心健康,这制约了电力系统智能化水平的提升。为了进一步提高电力系统的智能化水平,本文将图像处理技术和深度学习引入到电力系统设备智能处理中,对图像预处理、目标探测、图像分割、特征提取与选择、目标分类识别等各环节关键技术进行研究,以解决海量媒体数据的自动分析和识别问题。本文首先指出了将数字图像处理技术和深度学习应用于电力设备智能识别中的必要性和重要性。通过分析数字图像处理技术在电力系统中的应用现状,本文剖析了已有电力设备智能识别方法的局限性,介绍了深度学习(Deep Learning)在图像处理方面的研究进展,为后续研究提供了必要的理论基础。接着,针对所获取的电力设备图像存在对比度低、整体灰度值偏低以及光照不均等问题,提出了基于二次泰勒级数的非线性自适应增强(Non-linear Adaptive Enhancement,NAE)方法。该算法利用高斯双边滤波(Gaussian Bilateral Filtering)函数来获取像素的邻域信息,并使用指数型函数对图像作非线性增强,不仅可以有效提高逆光拍摄或夜间拍摄图像的整体灰度值以及对比度,还可以自适应地调整图像中亮度部分的灰度值,达到自适应的图像增强的目的。实验结果表明,跟原始图像相比,使用NAE法处理后的图像不仅对比度得到了明显提高,图像细节也更加清楚。同时,针对现有目标检测方法所检测出的设备边界模糊的情况,将视觉注意机制引入设备探测中,提出了引入卷积神经网络(Convolutional Neural Networks,CNN)的视觉显著性模型。该模型综合考虑了电力设备的区域特征和边界特征,使用超像素分割的方法对属于设备的区域进行聚类以获得设备的区域信息,同时使用双边滤波器提取设备的边缘信息,并使用两个独立的CNN对提取的区域和边缘信息进行学习,最后将学习到的置信度融入条件随机场,求取能量值并通过计算最小值来实现显著性与非显著性判别,完成设备目标检测。实验结果表明,跟已有的视觉显著性模型相比较,本文提出的模型所生成的显著图不仅能够有效覆盖电力设备的边界,而且设备区域与背景区域的对比度高,很好地抑制了背景区域的显著性。然后,针对传统图像处理方法使用手工提取图像特征的不足,结合电力设备图像的特点,本文研究了基于卷积神经网络的电力设备图像特征提取方法,并提出了双通道卷积神经网络(Double-channel CNN,DCNN)模型。在Alexnet模型的基础上,该模型通过两个独立的CNN来提取电力设备图像的特征,该特征的抽象程度更高,能够更好地反映图像的本质特征;借鉴传统机器学习方法的优势,综合随机森林(Random Forest,RF)的优点,研究并实现了结合DCNN和RF的电力设备智能识别算法。实验结果表明,深度学习与传统的机器学习方法是密切相关的,在传统的机器学习框架中加入深度学习模块,可以获得更高的设备识别准确率。最后,针对传统电力作业培训存在现场体验感差、培训效果不明显等不足,本文将前述电力关键设备识别方法引入到增强现实(Augmented Reality,AR)智能辅助系统中,研发并实现了具有设备智能识别功能的电力现场作业AR智能辅助系统。该系统能够对电力设备进行智能识别,可用于对电力设备的基本概念、工作原理、运行操作等内容的交互式增强现实化培训,从而为电力系统员工提供虚实结合的培训模式与工作辅助环境。实际应用结果表明,该系统能够有效解决电力企业传统培训模式学而不能用、用而不能学的问题,实现了在工作中随时随地培训的模式,大大提高了整个培训与生产过程的一致性、真实性和正确性。