输电线路是电力系统的重要组成部分,对输电线路进行定期巡检是一项必要的工作。绝缘子是输电线路的重要组成部件,由于绝缘子多工作于户外,长期暴露在复杂的自然环境下,极易出现故障而影响输电线路的安全与稳定性,定期检查绝缘子的工作状态对保障电力系统的安全运行意义重大。随着无人机航拍巡检方式的推广,航拍采集的图像背景复杂多变、数据量大,传统的人工筛检方式难以满足准确高效的检测要求。近年来,深度学习技术特别是卷积神经网络研究成果斐然,将基于深度学习的目标检测技术应用于绝缘子检测中,对提升电力巡检的智能化水平意义重大。本文以绝缘子作为研究对象,针对目前航拍图像中绝缘子检测及其缺陷识别效果不佳的问题进行研究,主要工作如下:针对绝缘子图像数据不足而容易导致网络训练过程中产生过拟合的问题,采用了旋转变换、翻转变换、对比度调节以及添加噪声等数据增强方法,扩充了绝缘子图像的数量并制作了数据集。针对航拍图像背景复杂、绝缘子尺度多变的问题,采取一种改进的Faster R-CNN算法。首先,使用Res Net-50作为特征提取部分来提高网络的特征表达能力,并引入特征金字塔结构实现深浅层次的特征融合,提高网络对绝缘子尺度变化的适应性;其次,以ROI Align的方法来对感兴趣区域池化进行改进,消除池化过程中绝缘子特征信息丢失所造成的定位误差,提高检测的精度;最后,利用K-means聚类的方法来得到适合绝缘子比例的先验框。实验结果表明改进后的算法检测精度得到了提升,能够准确完成对绝缘子的识别定位。针对航拍图像中绝缘子缺陷部位过小、缺陷特征信息不明显的问题,采取一种级联式绝缘子缺陷检测方法,其由两级检测网络组成,以本文改进的Faster R-CNN作为一级网络完成对绝缘子的定位后,经裁剪提取绝缘子区域图像,再以YOLOv3作为二级网络完成对缺陷部位的检测,同时设计了结合注意力机制CBAM模块的Efficient Net,作为YOLOv3的骨干网络以提高其对缺陷部位的特征提取能力。实验结果表明本文检测方法在检测精度方面较其它目标检测方法有一定优势,可以有效的识别绝缘子缺陷部位。