高速铁路受电弓-接触网系统是动车组获取电能的唯一途径,其服役性态直接关乎高速铁路的运营安全。随着列车运行速度的不断提高,受电弓对接触网的冲击也不断加剧,持续振动导致的接触网零部件“松脱断裂”等故障,严重危及高铁安全运营。如何通过有效的检测监测手段,提前发现各类接触网及其零部件故障,对于保障高速铁路运行安全意义重大。随着高铁供电安全检测监测（6C）系统的投入使用,高铁接触网的运行维修正逐渐从传统的人工巡视向智能化检测与视情维修方向发展。但是,由于接触网系统结构复杂、零部件众多且沿高铁线路架设,实现其故障的智能化检测仍面临着检测环境复杂、缺陷表征细微和检测可靠性要求高等诸多挑战。为此,本文从多个角度开展研究,以提高接触网检测系统的智能化程度和可靠性。在接触网零部件缺陷检测过程中,首先要从复杂的背景中识别出接触网零部件,即目标检测,然后才能实现其缺陷识别。第二章分析了基于级联深度卷积神经网络的目标检测框架,并在接触网图像数据集上对其进行了关键零部件定位实验,级联网络展现了良好的性能。在定位的基础上,本文对零部件的缺陷识别进行了重点研究。首先,接触网零部件缺陷识别面临着缺陷样本稀少的问题。如何在样本有限的前提下,训练泛化性能良好的分类器是当前面临的一个重要问题。为此,第三章综合采用迁移学习和集成学习的策略,首先通过多个预训练的深度卷积神经网络提取图像的多种特征,基于此训练多个遵循结构化风险最小原则的支持向量机分类器,然后由这些分类器构建集成分类器,进一步提高小样本情况下分类器的泛化能力。最后通过实验验证了该方法的有效性。其次,在缺陷样本极其稀少的情况下,基于分类的缺陷识别方法不再可行。第四章将缺陷识别转化为异常检测问题,通过不需要缺陷样本训练的深度无监督学习方法来解决。该方法将深度分类器和深度降噪自动编码器集成到了同一个深度多任务体系结构中,不需要缺陷样本进行训练,而且可同时完成绝缘子的分割和缺陷识别任务。接着,考虑到所有的接触网零部件都具有固定的几何形状,且缺陷也往往反映在几何特性的变化上,第五章提出通过图像分割获取零部件的几何特征,进而根据几何特性的变化来识别缺陷。这种方法不但能够克服缺陷样本缺少的问题,而且为定量地衡量松动缺陷提供了可能。其中,零部件的准确可靠分割是该方法的关键。本文通过贝叶斯全卷积网络来分割零部件,该网络通过融合骨干网中的多分辨率特征,提高了零部件的分割精度。同时,贝叶斯神经网络能够评估模型预测的不确定性。实验结果表明,基于贝叶斯全卷积分割网络的缺陷识别方法具有良好效果。最后,第六章深入研究了数据分布变化对深度学习模型可靠性的影响与对策。既有的缺陷检测方法都遵循固定的数据分布假设:一旦训练完成,则机器学习模型不再变化。但是,在接触网缺陷检测中,数据分布往往不是固定的。原因是以移动车辆为载体的视觉检测系统需要适应不同的铁路线路,还不可避免地受到检测载体运动和照明强度变化的影响。因此,检测模型的学习不应该是一次性事件,而应该是能够适应数据分布变化的连续过程。鉴于此,本文提出了基于自适应深度神经网络的缺陷检测框架,以应对数据分布的变化,从而确保检测质量。该方法定义了结合模型不确定性和先验知识的不可靠性指标,基于此设计了自适应策略,以使分割网络能够主动适应数据分布的变化。实验结果表明,该方法能够使分割网络主动数据分布的变化,保证决策的可靠性。论文形成了基于深度学习的接触网缺陷检测的技术体系,为开展接触网缺陷检测智能化的进一步研究提供了借鉴与参考。