架空输电线路是当前我国进行电力传输的主要途径,铺设在野外环境中常会被一些“异物”缠绕,比如塑料薄膜、气球、风筝等。若这些异物没有被及时发现并处理,极易造成线路间短路,因此需要进行电力线巡检。常见的几种巡检方式存在着各自的弊端,例如人工巡检方式工作效率低,安全性较差;直升机和无人机巡检方式成本较高、不易操作;机器人巡检无法跨越架空线路上的障碍或者跨越障碍时效率极低,耗费大量时间。针对常见的巡检方式存在的操作性差、效率低、成本高、耗时等不足,本文研究设计了基于深度学习的架空线路异物巡检系统。该系统分为巡检装置和地面控制基站软件两部分。巡检装置搭载云台相机,通过将轮子挂在高空地线上行进来完成线路的巡检;在地面控制基站软件上进行巡检装置的遥控操作,同时嵌入深度学习算法,对巡检画面中出现的挂线异物进行提示,辅助巡检工作人员简单、方便、高效地完成架空线路巡检工作。本文的具体内容如下:（1）依据项目需求对系统进行整体方案设计,包括巡检装置控制系统的方案设计和地面控制基站软件的方案设计;在方案设计时,进行了无线通讯模块、基于图像的异物检测算法和开发语言等的选择;（2）巡检装置控制系统设计。首先对巡检装置控制系统进行整体的方案设计;其次对于控制系统中的外设进行工作原理分析和程序设计;（3）基于深度学习YOLOv3算法,完成了对异物检测算法的设计和模型训练。首先进行数据集的构建,包括图像的归一化处理、数据增强等,将图片数据制作成标准VOC格式数据集;根据要检测的目标类别对YOLOv3算法进行设计;使用构建的数据集对算法进行训练,并对训练好的算法模型进行测试,结果表明该算法在进行挂线异物检测时准确率达到84.07%,检测速率为25fps;（4）地面基站控制软件设计。首先设计软件整体框架;依次开发了软件界面自适应、巡检视频播放功能、图片数据的本地保存和数据库保存、指令的收发、UDP视频数据共享、导出表生成、自动越障、记忆巡检以及视觉算法的嵌入等功能。通过室内模拟现场实验,对巡检装置和异物检测算法进行了实际测试。测试结果表明,该巡检装置能自主跨越线路上的障碍进行自动巡检,异物检测算法能以25fps的速度、高于84%的检测准确率进行挂线异物的自动检测,安全高效,能将架空线路的巡检工作常态化;地面控制基站软件界面友好,操作简单,数据存储和查询更为方便,使得巡检工作更为简化,整体提高了架空线路异物巡检的效率。