接触网是高速铁路牵引供电系统的重要一环,其安全状态检测问题是铁路行车安全的重中之重。为此我国特地制定了《铁路供电安全检测监测系统（6C系统）总体技术规范》,该系统负责对高速铁路的牵引供电系统进行全方位、全覆盖的综合检测监测。其中C4接触网悬挂状态检测监测装置（4C系统）为6C系统的子系统,负责接触网悬挂系统的各零部件的高精度成像检测,指导接触网故障隐患的消缺。目前,4C系统具备初步识别接触网零部件的功能,但漏检和误检情况频发,因此往往作为接触网检测的辅助手段,其检测精度有待进一步提升。本文根据4C图像数据中各零部件往往较小、存在一定的旋转角度及数据样本极其不平衡（异常样本远远小于正常样本）的特点,将高速铁路接触网的关键零件的状态检测任务分为两部分研究:第一部分先定位待检测零件区域;第二步再对前一步定位出的零件区域部分进行零件异常状态检测。具体的研究主要分为以下几部分:（1）针对铁路4C图像的背景复杂多变、尺寸巨大和目标物体占比小且大多存在旋转角度等问题,本文提出一种改进的Faster R-CNN检测算法,将基础的骨干网络VGG16更改为检测能力更强的Res Net-50网络,同时添加多尺度检测方法提高对小物体的检测精度,最后根据物体具有旋转角度的特点,给目标检测框多增加一个角度参数,使得目标物体的位置识别更加精确,提高了检测精度。（2）针对接触网待检测目标物体在4C图像上占比过小的问题,本文提出利用三重注意力集中机制来显著增强目标物体在图像上的区域。人类在感知过程中往往会有选择性的专注于给定信息中的一部分感兴趣区域而忽略其他部分。这种注意力集中机制有助于改善感知信息,同时保留其上下文信息。因此,本文将三重注意力集中机制添加到通用的目标检测算法中,增强目标检测算法对物体的检测精度,解决了传统的注意力机制的通道注意和空间注意机制单独分开计算的缺点,提高了空间维度和通道维度的交互作用。（3）针对4C图像数据中异常样本少的特点,本文从实际工程的角度出发,采用基于对抗训练的半监督方法来进行异常检测。具体做法是采用改进的GANomaly网络进行对抗性训练,在训练阶段只需要输入正常样本数据图像,由生成器网络生成输入数据的重构图像和高层空间的潜在特征向量,让生成器网络模型学习正常样本的数据分布。当输入数据为异常样本图像时,由生成器网络生成的重构图像和高层空间的潜在特征向量会明显区别于正常样本输入时生成的重构图像和高层空间的潜在特征向量,此时给判别器网络设置合适的阈值,即可判别输入图像是否异常。本文中对原GANomaly算法的网络架构进行改进,增加跳层连接,使得网络的性能得到提升。基于上述研究,在实验室搭建了算法所需要的环境,全部采用铁路4C图像数据集进行本文算法的验证,并利用其他的先进算法进行对比实验,经过大量实测数据图像验证,本文设计的算法合理,符合工程实际应用,能够有效的检测出铁路接触网的异常零件。准确率能够基本达到人工检测的水平,可有效提升工作效率。