近年来,轨道交通在城市化进程中发展迅速,运营时间和发车频率不断增长。这对提高城市运行效率的同时,也对轨道交通的智能运维提出了更高的要求。弓网系统作为车辆的供电部分,对保障列车安全供电和稳定运行至关重要。因此,弓网系统的核心零部件的缺陷检测对保障轨道交通运行安全具有重要的意义。目前,弓网零部件缺陷检测主要有基于传统图像处理和基于深度学习两类方法。传统的图像处理技术由于对图像质量的稳定性要求较高,难以适应城市轨道交通复杂的地下、地上的光照环境,造成在海量的视频流中做检测存在鲁棒性不高的问题。而深度学习方法在环境背景复杂的弓网环境中识别零件的效果较差,而且弓网中的零部件大小不一而且结构特征复杂,检测多种缺陷尤为困难。因此,本文针对此问题,提出了基于改进网络结构的弓网核心零部件缺陷检测方法和思路。首先,针对YOLOv3目标检测算法在弓网零部件检测中存在鲁棒性低、识别效果较差的问题,提出了一种改进网络结构的方法。该方法设计了基于密集型连接的残差模块,来加强浅层的特征提取,并和模块最后的卷积层特征融合,提高微小零件的识别能力。同时,在预测框加入了基于高斯的不确定预测模块,用来减少出错的预测结果,提高识别精度。通过3组实验表明,改进后的算法提高了小目标的识别能力,与传统的YOLOv3目标检测算法相比,其检测精度提高了6.4%。其次,针对弓网系统中关键零部件存在大小不一、结构复杂、缺陷种类众多所造成的缺陷检测困难,提出了一种基于改进NTS-Net检测网络的方法。该方法首先在NTS-Net网络特征检测器中添加了细粒度的注意力模块CRAM,该模块采用一维相关卷积方法来优化多种缺陷的检测性能,从而增强对图像中精细化缺陷特征的检测能力。同时,在网络的整体结构上设计了多尺度的特征复用模块,该模块通过瓶颈层的多尺度特征复用,增强了细微缺陷的检测能力。最后,通过4组实验表明,改进后的算法提高了缺陷检测能力,与传统细粒度检测网络NTS-Net相比,其缺陷检测精度提升了2.74个百分点。