随着国民经济的不断提升,高压输电线路的规模不断扩张,传统高压输电线路人工巡检方式,存在风险大、检测速度低、人力资源消耗大的等问题。利用现代人工智能技术实现智能化、自动化、高效化的绝缘子巡检方式已经逐渐成为国家电网公司乃至各个电力行业研究的热点,然而由于绝缘子航拍图像的复杂性以及人工智能方法的局限性,智能绝缘子巡检仍存在值得深入研究的问题。鉴于此,本文基于当前深度学习领域的目标检测算法对电力巡线无人机航拍图像中的绝缘子进行检测与缺陷识别研究,主要的研究内容如下:（1）首先,本文针对现有的公开绝缘子数据集数据量较少、图像中绝缘子占比较大等问题,将其与另一个数据量较少,图像中绝缘子占比较小的数据集进行合并,构建了更符合现实电力巡线无人机航拍的绝缘子数据集,之后对合并后的绝缘子数据集进行位置变换、色调变换、噪声扰动、Mosaic数据增强等数据预处理操作,为本文后续研究奠定数据基础。（2）针对绝缘子检测与缺陷识别检测中,背景复杂且绝缘子缺陷较小等因素易造成绝缘子与绝缘子缺陷错检、漏检等检测精度不足等问题,提出了一种基于改进YOLOv5的绝缘子检测与缺陷识别检测算法。首先利用Triplet Attention注意力模块,通过旋转操作和残差变换建立维度间的依存关系,改善网络结构的特征表示,增强绝缘子缺陷小目标的特征提取能力;其次,利用密集连接机制在缓解梯度消失问题和减少过拟合现象的同时,融合浅层特征补充深层特征所丢失的信息,使算法在精度、速度、存储空间之间取得良好的平衡。所提算法在公开数据集上m AP达到了93.4%,主客观对比实验结果表明,所提算法较主流一阶段检测算法对模糊的绝缘子具有更好的检测能力,对极小的绝缘子缺陷具有更好的识别效果。（3）针对现有检测算法检测速度慢且模型较大不易移植到无人机中的问题,提出了一种实时的轻量级绝缘子检测与缺陷识别算法YOLOv5-MSC。将原有的深度学习目标检测算法YOLOv5的主干网络替换为裁剪后的Shuffle Net-v2轻量型网络,从而大大降低了模型大小。为了进一步提高轻量级模型的准确性和稳定性,利用空间金字塔池化降低了信息的丢失;利用最大池化实现了对提取特征的压缩,从而提升了网络的推理速度;在特征提取的颈部,使用深度可分离卷积替代普通卷积,使用Ghost Bottleneck替代原特征提取网络C3模块,在降低模型的同时提升了检测精度,并且加入了Coordinate Attention注意力机制增强对特征感兴趣目标的特征提取。改进后的轻量级网络相比改进前的Y O L O v 5网络相比,在m AP损失1.7%的情况下,模型的推理速度缩短37.1%,模型的大小减小92.3%,可以满足无人机等设备上的绝缘子检测与缺陷识别。