绝缘子是输电线路上的关键组件,对其进行定期巡检是保障电力系统正常运行和稳定的一项重要预防措施。目前我国输电线路巡检方面无人机巡检正在逐步取代效率低下的人工巡检成为主要的巡检方式,又随着5G技术和计算机视觉技术的兴起与发展,智能巡检成为建设智能电网的关键一环。本文主要研究输电线路无人机巡检图像中绝缘子的实例分割算法,以及复合绝缘子过热缺陷和玻璃绝缘子自爆缺陷的检测算法。巡检图像的拍摄质量直接关系着图像分割和缺陷检测的准确率。本文采用Lucy-Richardson（LR）算法对出现运动模糊的巡检图像进行去模糊复原,对低对比度图像采用局部自适应伽马校正进行图像增强。同时采用多种在线随机数据增强方法扩充数据集规模。通过分析和实验验证,本文选择一阶段的Yolact++作为绝缘子的实例分割网络,并对网络进行针对性优化:根据绝缘子呈长条状的特点,修改锚框尺寸和比例的设置;提出后处理算法优化输出的掩膜;针对边界框定位有偏差和边缘分割不精细的不足,使用路径增强思想改进特征金字塔网络（Feature Pyramid Networks,FPN）。在复合绝缘子过热缺陷检测方面,本文采用骨架化加填充的方法优化实例分割的结果,得到只覆盖芯棒部位的位置信息,接着运用正交回归法拟合红外图像中的温度数据和真实温度值之间的关系获得温度信息。最后综合位置信息和温度信息,并依据红外诊断指导文件判定过热缺陷的具体等级。在玻璃绝缘子自爆缺陷检测方面,本文提出了一个轻量化的关键点检测网络Insulator Key Point Network（IKpNet）,用于端到端定位玻璃绝缘子片,同时针对输入图像规格不一的特点提出了一种避免图像变形的新大小调整（resize）方法。采用对关键点坐标进行直线拟合和距离阈值计算的方法实现了对不同串绝缘子片的划分和自爆片数的统计工作。最后将本文的所有工作整合到所开发的无人机巡检图像绝缘子缺陷智能检测可视化界面中。