改革开放以来,我国的经济基础建设进入了快车道,同时电力能源的需求量也日益增多,电力能源稳定供应关系着我国各族人民的根本利益。输电线路作为电力输送的唯一媒介,为保证输电网安全、稳定、持续地运行,输电线路需要定期巡检。但不断扩大的输电网规模,与传统巡检方式效率受限之间的矛盾逐渐暴露,转变巡检模式势在必行。同时,无人机领域正处于热点研究领域,使得近些年无人机得到快速发展,技术日渐成熟。因此,在这样的背景下,日常巡检方式由传统的“人工巡检”向着“无人机巡检”转变。绝缘子是输电线路的重要部件,无人机对绝缘子缺陷的巡检是工作重点。本文以无人机巡检工作中绝缘子缺陷作为研究对象,针对巡检工作中得到的图像数据,基于YOLO-V4算法作出优化,设计新的网络结构,改进损失函数,提出更适合于绝缘子缺陷检测的DYOLO-V4模型。本文主要研究工作如下:（1）首先,本文进行数据预处理,人工筛选和标注无人机采集的绝缘子图像数据。使用旋转、镜像、镜像旋转方法扩充图像数据集,模拟无人机各角度拍摄的绝缘子图像。使用数据增强技术,高斯滤波器和中值滤波器消除图像采集时产生的噪点。使用双线性插值算法压缩图像为416×416分辨率,更适合于目标检测算法的训练尺寸。（2）其次,分析了目标检测领域其他典型算法,同时构建模型。采用CSPDarknet53作为特征提取网络,PANet作为特征聚合网络,构建了基于YOLO-V4的绝缘子缺陷检测模型。使用绝缘子及其缺陷数据集训练模型。对比YOLO-V4模型与其他典型算法模型的实验结果,分析得出YOLO-V4模型的性能更强。（3）最后,本文为解决检测根据绝缘子缺陷检测图像背景复杂问题,设计了嵌入式EC部件,连接在模型的输出层和特征聚合网络之间,使模型更适合检测任务;根据数据样本不平衡的特点,引入Focal loss置信度损失函数,调节正负样本的学习权重;根据绝缘子实例目标的遮挡现象,采用Mosaic数据增强技术,随机剪裁再任意拼接训练图片,一定程度上增加网络对遮挡绝缘子样本的学习能力。同时,实验验证上述方法的有效性。采用上述改进措施,得到了更适合绝缘子缺陷检测的DYOLO-V4模型。通过DYOLO-V4的消融实验结果和可视化对比,得出本文提出的DYOLO-V4模型m AP达到结果为88.57%,比原YOLO-V4模型m AP上提升了9.42个百分点,推理速度为0.0279 s/张。无人机巡检逐步代替人工巡检将是大势所趋,本文提出的DYOLO-V4模型具有一定的有效性和可行性。在输电线路的无人机巡检工作中,本文方法不仅可以应用于绝缘子,还可以推广到输电线路其他零部件上,从而增加无人机巡检的准确率和效率。