作为输电线路视觉巡检的一项关键技术,目标检测与识别技术取得了突破性的进展,如今,深度学习已成为目标检测与识别的主流方法。然而在实际输电线路视觉巡检图像中,防震锤、间隔棒、塔号牌和鸟巢等小目标图像区域面积和特征较少,导致Faster RCNN和SSD等经典深度学习方法检测精度低。因此,论文提出基于卷积神经网络的输电线路小目标检测算法的研究课题,开展该项研究对提高输电线路视觉巡检的精度和效率具有重要的实用价值。论文主要做了以下几项工作:首先,针对小目标检测任务,提出了一种自适应的目标区域形态约束方法。采用k-means聚类方法对输电线路巡检图像训练样本集中目标的尺度和归一化长宽进行聚类分析,得到小目标的尺度和纵横比变化范围作为RPN的参数,提高了目标检测对尺度变化的适应性。其次,针对小目标区域特征分辨率低、描述精度差的问题,提出了基于上下文信息编码网络的小目标检测方法。该方法通过空洞卷积模块来聚合多尺度上下文信息,反卷积模块将中间层特征图与顶层特征图进行特征融合,将上下文逐渐编码到后续特征图中。试验表明,该方法将小目标的检测mAP提高了6.70%。然后,针对小目标区域特征可分性差的问题,提出了基于显著上下文的小目标检测方法。该方法提出了一种候选上下文提取流程,并添加显著上下文提取层从候选上下文中得到最具鉴别力的上下文,然后将显著上下文特征与原RoI特征拼接起来进行特征融合。试验表明,该方法将检测mAP提高了5.33%。且上下文信息编码网络与显著上下文提取算子同时加入可以将检测mAP提高了9.95%。最后,针对小目标区域特征表达能力弱的特点,提出了一种基于超分辨特征生成网络的小目标检测方法。生成网络学习小目标与大目标之间的残差特征,与基础网络特征融合形成超分辨特征。判别网络对池化后的大目标特征和生成的小目标特征进行鉴别,指导生成器的学习。针对不同尺寸将输电线路巡检图像数据集划分为大目标和小目标两个子集并进行对抗训练。试验表明,该方法将检测mAP在小目标子集上提高了10.10%,在大目标子集上提高了7.31%。