伴随着我国铁路建设以及运营事业的发展,铁路运输不仅承载着我国经济的命脉,而且采用电气化的铁路运输,具备环保、高效的特点。尤其是近年来雾霾天气严重影响我国各大城市,绿色出行成为一种趋势。今年政府工作报告中提出坚决打好蓝天保卫战,这就更加体现了铁路交通出行绿色环保的优势。铁路的安全运营,需要牵引供电系统正常运行来提供保障,因此确保牵引供电系统的稳定运行十分重要。由于我国铁路里程较长,且大多处于室外环境中,所以单单靠人工巡检已无法满足铁路的发展需求。近年来图像识别技术,尤其是深度学习和机器学习的快速发展,在图像识别、图像分类等领域取得了巨大突破。图像技术的发展,也为非接触式接触网故障检测,提供了新的思路。本文采用图像处理和深度卷积网络的方法,定位出图像中绝缘子的位置,并采用图像局部膨胀与动态阈值二值化相结合的算法,检测绝缘子破损。由于目前对接触网绝缘子研究比较分散,没有现成的绝缘子样本库,用来训练分类算法或者卷积神经网络,所以本文首先对12000张检测车采集到的原始图像数据,进行标记和处理,并制作成不同尺度的正负样本集。其次,训练传统的Adaboost级联分类器和SVM分类器,使用训练后获得的模型对原始图像中的绝缘子进行识别并截取。实验表明该方法对绝缘子的识别率只有52.7%,无法达到对识别率的要求。在此基础之上运用深度学习的方法,采用Caffe开源框架中的CafffeNet模型,并优化模型参数,然后使用训练得到的模型文件,分类绝缘子。经过测试发现,该方法在测试时的识别率高达99.8%,这种识别率可以满足对绝缘子识别的要求。最终使用该方法将识别出来的绝缘子,从原始图片上截取下来并保存,用来检测故障的绝缘子。最后采用模板匹配的算法和图像局部膨胀与动态阈值的二值化处理相结合的方法,对绝缘子破损进行检测试验。对实验结果对比发现,采用图像局部膨胀与动态阈值的二值化相结合的方法具有较好的效果,能够很好地区分出破损绝缘子。该方法可以为接触网绝缘子故障的破损识别,提供一种基于图像处理的解决思路,在一定程度上解决人工绝缘子破损检测困难的问题。