电力巡检是保证电力线路正常运行的重要手段。无人机在电力巡检中扮演重要角色。当巡检人员使用无人机巡查电力线路时将利用无人机携带的摄像头对线路进行图像采集。这样不仅能提高巡检效率,还能保障巡检人员安全。而在大多数情况下,无人机采集数据后将其发送至数据中心。然后由检测人员检查和对比数据,确认电力设备故障位置。这种离线检测的方式会增加巡检人员的工作量,降低巡检效率。在线检测会直接在无人机上完成检测,然后将检测结果回传。在线检测会进一步提高检测效率。当前基于视觉的目标检测算法需要较高的计算能力需要运行在高性能计算机上,难以部署在无人机上。在计算资源受限的无人机上实现在线检测是一个富有挑战性的问题。为了解决上述问题,本文基于深度学习,利用巡检图像对电力巡检中绝缘子和间隔棒两类元件的的目标检测进行研究,主要工作如下:1.针对绝缘子和间隔棒两类元件的电力巡检任务,利用无人机拍摄图像数据并制作带标签的新数据集用于模型的训练和性能测试。2.提出了一种基于特征融合的轻量级SSD网络。首先使用轻量级网络Mnas Net对特征提取网络进行改进,然后添加了特征融合模块,将提取的多尺度特征图进行融合,利用上下文信息,提高算法的鲁棒性。在构建的数据集上对改进的算法进行测试,算法识别准确率为93.8%,算法在NVIDIA Jetson TX2上单张图片检测时间为88ms,在视频检测中的速度可达12FPS（Frame Per Second）。3.提出了基于改进孪生神经网络的绝缘子和间隔棒检测算法。使用Mnas Net和Mobilenet V3构成孪生神经网络来提取多层次的特征,改进了单个卷积网络特征提取单一的缺点。然后将两个网络提取的特征进行融合,得到表达能力更强的特征。基于改进孪生神经网络的算法在数据集上的准确率最高可达96.9%。4.构建电力巡检在线检测的无人机平台。设计了无人机的硬件结构,对无人机软件等进行配置。然后在无人机平台上对设计的算法进行性能测试。结果表明本文提出的算法满足实时性的要求,可以部署在无人机上实现在线检测。