随着我国智能电网建设的不断推进,我国的电力事业取得了空前的进步。为了确保电网正常运行的安全性和可靠性,检修人员通常会利用与故障诊断相关的检测仪器对运行中的电气设备进行定期巡检和故障检测,但需要检修人员根据设备表面温度分布情况分析判断,检测效率也比较低。随着计算机技术和图像处理技术的发展,变电站自动巡检机器人在电力行业已经获得广泛应用,成为电气设备状态监测的重要手段。本文将采集到的电气设备红外图像为研究对象,通过图像处理、超像素分割、特征提取、分类识别和相对温差法,实现电气设备自动检测和诊断的目的,从而减轻检测人员的劳动强度和对经验水平的依赖,及时发现问题,避免不必要的损失,确保电网安全稳定的运行。本文的主要课题研究内容如下:（1）由于现代红外检测设备采集到的红外图像分辨率逐渐增高,传统像素级的图像分割技术很难满足实时性要求。因此研究分析近年来兴起的一种超像素分割技术,相比于常见的图像分割技术,超像素分割技术不仅能够保留图像的局部信息,而且可以提高后续算法的运算速度。通过超像素评价标准对超像素算法进行电气设备红外图像分割实验,分析不同超像素算法的性能表现,从而为本文后续的研究奠定基础。（2）为实现对电气设备红外图像的自动化处理,提高对红外图像中设备故障区域的分割精度,针对SLIC预分割生成超像素的过程中,将存在超像素区域碎片化、以及超像素边界分割的精度不足等问题,提出了一种改进SLIC算法的电气设备故障区域分割方法。通过采用导向滤波器对红外图像进行预处理,然后在SLIC超像素迭代过程中增加亮度相似性限制条件,并将生成的超像素以种子点的色彩值匹配颜色,最后通过自动设置色调阈值,实现对电气设备故障区域的分割和标记。（3）提出一种基于HOG特征提取和支持向量机的电气设备红外图像设备识别和分类算法,使得图像的梯度和边缘方向密度的分布,可以更好地描述局部区域的形状,实现对电气设备的识别和分类。并结合设备热状态特征及相应的判据,实现对电气设备热故障的自动检测,设计电气设备热故障检测与诊断系统,对电气设备中常见的隔离开关、接线接头和高压套管进行实验。通过对实验结果的分析,本文提出的基于红外图像的电气设备故障识别与诊断方法能够判断出热故障缺陷程度,并提供了合理的建议,验证了本文算法的有效性和可靠性。