我国高速铁路的迅猛发展对接触网安全提出了更严格的要求。为了适应铁路运营日益增加的复杂性,铁路总公司提出了6C系统建设的总体目标。由于高铁接触网悬挂状态检测监测(4C系统)是保障接触网整体安全的关键一环,铁路管理部门为接触网悬挂状态检测制定了严格的标准。作为铁路接触网悬挂的主要设备,绝缘子的准确检测对于保证接触网的稳定运行至关重要。本文在对国内外相关研究进行总结的基础上,提出将接触网绝缘子检测算法划分为目标检测和缺陷识别两个阶段,设计基于深度学习的接触网绝缘子目标检测算法和绝缘子缺陷识别算法。本文取得的主要研究成果如下:1)提出一种基于Faster R-CNN的接触网绝缘子目标检测算法。针对接触网绝缘子的多尺度目标检测需求,引入特征金字塔(FPN)并根据其结构特点对原有Faster R-CNN框架进行调整。实验结果表明,改进后的Faster R-CNN算法在绝缘子检测准确率上对Faster R-CNN有全面的优势。特别是在小尺度目标检测上,本文改进算法的检测准确率相对Faster R-CNN有显著的提升。2)提出一种基于细粒度分类的绝缘子缺陷识别算法。针对接触网绝缘子缺陷识别中缺陷样本较少、缺陷特征相对绝缘子整体特征不明显等问题,创新性地提出利用NTS-Net细粒度分类模型进行绝缘子缺陷识别。该模型采取了一种多主体协作的自监督机制来实现对绝缘子缺陷部位的高效准确定位,进而通过融合局部特征和整体特征识别绝缘子缺陷。实验结果表明,NTS-Net模型相比NS-Net模型和ResNet-50模型明显地提升了绝缘子缺陷识别准确率。