绝缘子作为架空输电线路的重要组成部分,直接影响着电力系统的安全和稳定。由于绝缘子长期暴露于恶劣的自然环境中,因此经常出现自爆、破损等故障。针对绝缘子故障,传统方法主要是借助检测工具人工巡检或直升机巡检,不仅巡检效果差,而且巡检人员的安全问题也无法得到保证。近些年,各电网公司陆续将无人机应用到了输电线路巡检当中,通过分析无人机采集的绝缘子图像实时获取绝缘子的工作状态,已逐渐成为主流趋势。无人机巡检采集的图像具有视野大、背景复杂等特点,在实际的输电线路图像中,绝缘子缺陷目标图像区域小、分辨率低,导致当前目标检测算法的绝缘子缺陷检测精度低。为了解决此问题,本文结合卷积神经网络技术展开一系列研究。主要工作如下:（1）当前实际工程中绝缘子缺陷图像的采集难度大,没有足够的训练样本,导致绝缘子缺陷检测效果差。针对这一问题,本文在某电网公司提供的无人机巡检数据集和公开绝缘子数据集的基础上,构建了新的绝缘子缺陷数据集PLIDD（Power Line Insulator Defect Dataset）。（2）针对绝缘子缺陷目标小,导致缺陷特征较少的问题,提出一种基于YOLOv3改进的绝缘子缺陷检测算法（GC-SPP-YOLOv3）。该算法的改进主要有以下三点:首先在Darknet53的基础上,引入Ghost Module和双重注意力模块,在减少了模型参数量的同时,提升了网络的特征表达能力;接着,在YOLOv3的3个Detection head前分别添加一个空间金字塔池化模块,充分利用同一卷积层的多尺度局部特征信息,实现局部特征和全局特征的融合,丰富绝缘子缺陷目标的表征层次;最后,为了降低目标尺寸在宽高损失函数中的负面作用,对宽高损失函数进行了优化。实验表明,在PLIDD数据集上,本文所提出的方法在检测精度和速度方面均取得了较好的表现。（3）针对绝缘子缺陷目标容易存在模糊或者遮挡,导致缺陷目标分辨率低的问题。引入超分辨率重建的思想,将超分辨率模块（SRCNN）分别添加到SSD、YOLOv3及其改进算法上进行实验分析,发现在SSD上的改善效果显著,因此提出了基于SSD改进的绝缘子缺陷检测算法（S-ASFF-SSD）。首先,为了尽可能降低绝缘子缺陷检测速度方面的损耗,提出了一个超分辨率特征生成模块,提高负责小目标检测的浅层特征图的分辨率,以提升绝缘子缺陷特征的表达能力。接着在预测阶段,引入自适应空间特征融合模块,将SSD的多尺度特征图以训练学习的方式进行有效的融合。通过在PLIDD数据集上的测试证明,该方法在检测性能方面较经典的目标检测算法有显著的优势。