污染日益加剧的自然环境使直接显露在大气中的绝缘子表面积累污秽的速度在加快、程度在加重,而且日益推广的高压输电和不断提升的线路电压等级以及加速扩建的电气化铁路接触网,使得绝缘子产生污闪事故的可能性大大增加了。因此,为了减少绝缘子污闪事故,首先需要及时检测绝缘子表面的污秽状况。本文将数字图像处理技术与人工智能算法结合在一起,以绝缘子人工污秽实验获取的绝缘子可见光图像为研究对象,构建了基于可见光图像识别的绝缘子污秽级别的判别模型。本文首先分析出了绝缘子可见光图像与绝缘子的污秽状态存在对应关系,在较为理想的实验室环境中对绝缘子进行了人工污秽实验,并采用性能优越的相机获取了大量的绝缘子可见光图像。其次鉴于目前可见光成像设备的性能在不断提升,改进了绝缘子图像的处理流程,即只要对图像进行转换、分解、分割、修正去噪就可以使图像的目标特征凸显出来。再其次为了选取可见光图像的最佳特征信息以提高绝缘子污秽等级的判别准确率,计算了多个图像的特征量并依据污秽等级进行了统计分析,而且通过费希尔准则函数计算它们的分类效果值来确定选取的特征量,得到了带有污秽等级标签的训练集数据和测试集数据。最后基于最小二乘支持向量机,设计了几个智能多值分类模型,并且对这几个分类模型分别输入了训练集数据进行学习训练和参数优化,然后再分别输入测试集数据进行分类性能测试,最后对输出的绝缘子污秽等级的分类准确率进行了对比分析。从图库中选取了具有0、Ⅰ、Ⅱ、Ⅲ、Ⅳ所有污秽等级的可见光图像300张,并平均分成2组,一组为训练集图像,另一组为测试集图像。实现对图像的预处理和特征量选取,得到训练集数据和测试集数据。设计了基于遗传算法优化的最小二乘支持向量机的智能多值分类器、基于粒子群算法优化的最小二乘支持向量机的智能多值分类器以及基于天牛须搜索算法优化的最小二乘支持向量机的智能多值分类器,并用训练集数据和测试集数据先后对它们进行学习训练和污秽等级分类测试,这3个分类器的分类准确率分别达到了93.33%、94.67%和96.00%。因此,本文的研究方法能够在积污阶段实现对绝缘子污秽度的检测,而且检测效果较好。