接触网是专门为电气化铁路输送电力的特殊供电系统,其供电的稳定性直接影响列车的运行状态。而吊弦是链形悬挂接触网中承力索和接触线之间的重要连接部件,起着调节接触线高度和驰度并承载一定力的作用,其状态的好坏直接影响接触网悬挂系统的稳定性。吊弦一旦发生故障可能造成接触线高度下滑影响列车受流质量,严重时甚至引发弓网事故,危及列车行车安全。但目前有关接触网零部件缺陷检测识别的研究主要集中在支持定位装置区域,有关吊弦缺陷检测识别的研究还较少,实际应用中还存在许多问题。铁路部门有关吊弦缺陷状态的检测识别仍以人工巡检及人工逐帧判别图像的方式为主,检测效率低、人力资源耗费大。针对这些问题本文展开了接触网吊弦缺陷自动检测识别算法的研究。本文以4C装置（接触网悬挂状态检测监测装置）采集到的实际铁路线路中接触网的零部件图像为研究对象,分析了国内外关于接触网零部件缺陷状态检测的研究状况,以及深度学习技术的发展历程。根据4C装置采集到的不同接触网零部件图像的特征与吊弦图像特征的不同,提出基于图像处理与深度学习技术相结合的吊弦定位及缺陷检测识别方法。针对吊弦的不同状态分别设计相应的算法对其进行识别和检测。并通过对实际采集到的接触网吊弦图像数据进行测试,验证了本文方法的可行性。在吊弦初识别及初步状态检测中,针对吊弦断线及弯曲样本较少的问题,引入更加先进且能够提取更深层次图像特征并实现特征重用的Dense Net（Dense Convolutional Network,密集卷积网络）,来替换原始Faster R-CNN模型中的特征提取网络对吊弦进行定位及初步状态检测。之后通过与原始Faster R-CNN模型和以Res Net101为特征提取网络的Faster R-CNN模型的检测结果进行对比,验证了所提方法的有效性。所提方法能够快速定位出接触网吊弦区域并检测出存在明显缺陷的吊弦图像。为了进一步区分吊弦图像与疑似吊弦装置图像。根据吊弦两端固定零部件特征与疑似吊弦装置两端固定零部件特征的不同,提出在上一步定位的基础上,通过检测吊弦线夹与尼龙护套的方法对其进行区分。为了提高吊弦线夹与尼龙护套检测识别的准确性,根据对标记图像中吊弦线夹与尼龙护套标记区域尺寸的统计,对Faster R-CNN模型中锚框的尺寸进行了调整。通过对实际图像的检测,所提方法能够实现对吊弦及疑似吊弦装置的有效区分;且锚框调整后的模型能够更加准确的检测出吊弦线夹及尼龙护套。在吊弦线断股及微形变缺陷检测中,为了准确检测出吊弦线存在的细微缺陷,提出先利用直线检测、图像旋转、投影法等算法对吊弦线进行精确定位,再通过计算吊弦线中心线坐标的标准差及吊弦线区域局部列灰度值之和的标准差的方法,对吊弦线微形变及断股缺陷进行检测识别。最后通过对实际图像的测试,验证了所提方法的可行性和可靠性。