近年来,为适应中国发展快车道上的各行业用电需求,不可避免的要进行远距离输电,从而使输电线路的规模逐渐变大。绝缘子作为电力输送系统中重要的部件,具有支撑和绝缘的功能。绝缘子处于野外环境,受日晒雨淋、风雪温变影响,加上处于高电压环境,随着使用年限增加,常常出现炸裂坏损现象,若不及时更换坏损绝缘子,将影响线路运行安全。由于绝缘子处于高压高空环境,近距离接触式检测难度大,且需停电。因此用地面非接触方式采集的绝缘子图像信息进行绝缘子缺陷检测具有重要的工程意义。因此,研究的主要内容如下:首先对国内外自动化巡检、图像处理和图像识别的研究现状进行调查,总结了已有研究的不足之处,然后根据无人机巡检中的绝缘子图像的特点,分别从图像预处理、目标检测定位和缺陷识别三个方面进行了研究。在图像预处理阶段,针对训练的数据集不足的问题,采用数据增强的方法,来扩充训练的数据集。针对复杂多样的外界环境干扰的问题,研究图像增强算法和去噪算法,重点研究了小波阈值图像去噪的算法,并对自适应小波阈值去噪的算法进行改进。对几种经典的图像增强算法和去噪算法进行对比研究,采用了带色彩恢复的多尺度Retinex、自适应直方图均衡化和改进的自适应小波阈值图像去噪的算法来进行绝缘子图像的预处理操作,从而改善图像的质量,确保了基础数据的准确性和有效性,进而提高了检测模型对图像的分析和理解。在目标检测定位阶段,针对目标绝缘子占比较小,背景占比大且复杂,从而对目标绝缘子的分割造成干扰的问题,采用Faster R-CNN、SSD和YOLOv3网络模型进行目标绝缘子定位的对比研究,得出YOLOv3绝缘子定位网络具有较高的的精度和定位速度,因此采用基于YOLOv3的算法作为绝缘子定位网络模型。然后对目标绝缘子进行裁剪,进而对目标绝缘子进行异常检测,减小了计算量,提高了绝缘子异常检测的精度和速度。在缺陷识别阶段,采用Alexnet模型对分割出来的目标绝缘子进行识别,从而检测出异常的绝缘子。实验证明,采用的YOLOv3绝缘子定位网络+裁剪层+Alexnet绝缘子异常检测网络的级联网络模型对绝缘子的异常进行检测,识别出了有缺陷的绝缘子,并定位出缺陷的位置,检测速度快,平均精度均值达到了89.81%,比单阶段的检测方式高8.24%。基于该级联检测网络,设计了一个绝缘子异常检测App,实现了人机交互。采用的方法能快速有效的识别出异常的绝缘子,有效排除输电线路绝缘子异常的隐患,具有一定的工程应用价值。