电气化铁路绝缘子作为接触网支持悬挂装置中的重要设备,其状态的好坏影响着牵引供电系统的稳定性,因而需要研究实时、智能的状态检测方法。准确高效地识别绝缘子是实现绝缘子不良状态智能检测的前提,确保后续检测工作均在目标局部图像中进行,降低状态检测的难度和检测算法的计算量,从而提高检测的速度和检测结果的精度。本文以铁路综合检测车采集回来的高效清晰的图像为样本,应用计算机视觉的相关技术,实现电气化铁路绝缘子的高效识别。首先介绍目前主要的两类目标识别方法：模板匹配和统计模式识别；然后应用基于特征的图像匹配方法实现绝缘子识别；最后再运用统计模式识别方法,提取绝缘子的Haar、LBP、HOG三种特征进行训练,利用得到的分类器进行绝缘子识别。对于采用模板匹配进行电气化铁路绝缘子识别,文章使用基于SIFT、SURF和ORB的三种特征匹配的方法实现绝缘子识别,并对三种方法的识别效果进行分析和比较,得出SURF的综合性能更优。为方便对比三种匹配方法的识别效果,设计一个能够完整实现识别过程的友好MFC界面。对于统计模式识别方法,采用AdaBoost算法和SVM训练分类器。对于Haar特征和LBP特征,选用AdaBoost算法进行分类器训练,通过对生成的分类器进行评价,得出改变正负样本的截取方式、大小和数量能够显著的提高分类器的性能。对于HOG特征,则采用SVM训练分类器,改变正负样本截取方式、大小和数量对识别效果有一定的提升。实验在Visual Studio 2013和OpenCV3.0环境下,通过编程实现电气化铁路绝缘子识别。实验结果表明：对于基于图像匹配的绝缘子识别,通过误匹配的消除能够明显提高识别性能。对于基于统计模式识别方法的绝缘子识别,改变正负样本截取方式、大小和数量对识别效果有明显提升。采用合适的样本截取方式、大小和数量,得到一个LBP特征级联分类器,具有很高的精度和速度。