线路零部件作为输电线路的主要构成部分,其工作状态对电力系统的运转有很大影响,因此需要定期对线路进行巡检。巡检过程中工作人员会借助设备拍摄大量的线路零部件图片,如果利用人工进行识别、判断,效率低下且成本较高。同时,传统检测方法受人造特征局限性的影响,识别效果也不理想。随着深度学习的发展,在目标检测领域中,卷积神经网络学习特征的能力和处理复杂场景的能力表现突出,从而备受关注。本文提出了基于卷积神经网络的线路零部件检测的方法,目的是高效完成巡检时线路零部件图片的检测与识别任务。主要研究工作如下:首先,提出利用卷积神经网络提取线路零部件特征,去解决人工设计特征表达能力不足的问题。对比多种卷积网络后选用VGGNet作为特征提取网络。并对网络可视化,分析了网络各层的特征信息,网络能够不断学习零部件的特征,证明了方案的可行性。其次,通过对比、分析不同的检测算法选出Faster R-CNN检测模型,并在Tensorflow框架下搭建线路零部件检测模型。同时构建了包含3种元件、1种元件故障和2种故障隐患的线路零部件图片集用于模型训练。在该模型的基础上,通过更深的卷积神经网络、模型结构的改进以及锚点尺寸的增加提出了改进的检测模型。最后,分析了不同超参数对模型的影响,选出最优参数,在测试集上检测模型达到了82.39%的准确率;对比了特征提取网络深度对模型的影响,发现更深层的网络识别效果更好,准确率提高到84.93%;测试实验中,改进的检测模型对零部件的识别精度均有所提高,平均准确率能够达到87.67%。实验结果表明,本文的线路零部件检测模型能够准确的完成一定的巡检工作。