接地网是用于电网工作、防雷接地和保护接地的基础设施，是保护电力系统安全运行的重要组成部分。接地网材料通常埋于0.3-0.8m的土壤下，因土壤环境易发生腐蚀。以往在开挖时常采用人眼观察的方法进行腐蚀判断，具有很大的主观性。　　本研究主要内容包括：⑴在实验室模拟接地网材料腐蚀现象，定期对钢板进行图片采集，得到腐蚀程度不同的图片用作样本。为了提高图像质量，采用了一种由灰度变换和非线性亮度、色度空间相结合的算法进行图像增强；并与传统带色彩恢复的Retinex算法进行了比较，通过仿真验证了论文提出算法的有效性。⑵采用了一种利用改进的人工蜂群算法寻找最佳分割点的方法，结合种子区域增长算法实现腐蚀区域分割，建立了带标签和无标签两个腐蚀数据样本集，增广了数据样本，以此提高深度学习算法的有效性。⑶采用深度学习算法构建模型并对样本进行训练，实现了良好的特征表达，避免了手动获取特征的局限性。在深信度网络（DBN）的基础上引入双线性判别投影，将判别信息作为RBM层间的权重，获取了一个较好的DBN初始值，避免了DBN训练嵌入局部极小值。此外，该初始化策略还能自动地设置DBN网络隐层的节点数目，提高了模型的效率。⑷结合自组织神经网络（SOM）和 K-均值算法优点，建立了腐蚀分类模型。SOM网络首先对学习到的腐蚀特征进行前期快速的粗分，再使用K-均值算法进行后期准确的细分。通过对待测图片腐蚀等级的测试，证明该改进模型能有效完成腐蚀分类。分类结束后，根据GB/T6461-2002标准对分类结果进行保护等级和外观等级的评价。