接触网是电气化铁路供电系统的重要组成部分。如果接触网发生故障将会直接影响电气化铁路的运输,在铁路运输事故中接触网故障占比百分之六十以上,因此保证接触网的正常工作是保证铁路运输安全的前提。人工巡检浪费大量的人力、物力和时间,巡检的效果也远远跟不上铁路发展的需求,所以接触网故障检测的研究具有重大意义和实用价值。本文提出了基于近邻的图像差分方法以及基于卷积神经网络(Convolutional Neural Networks,CNN)相似度的误报过滤方案,本文实现的接触网的故障检测系统主要分为两大模块:接触网杆号识别和接触网故障检测。两大模块主要内容如下:首先,采用单次检测器(Single Shot Multi-Box Detector,SSD)识别出杆号字符,将识别出的字母或者数字依次加入字符队列,连接字符,实现接触网杆号识别模块,定位接触网具体位置信息。其次,由于绝缘子部件的循环特性,采用特征类的检测方法会产生较大的误差,因此,根据接触网部件的分类信息,将不同类型的关键部件采用不同方法进行检测。采用ORB(Oriented FAST and Rotated BRIEF)特征点匹配算法和基于近邻思想的图像差分方法检测关键小部件,采用LC-KSVD(Label Consistent K-Singular Value Decomposition)算法和图像差分方法检测绝缘子部件,将得到的故障区域加入故障输出链表。此外,对检测出的故障区域进行过滤,以降低误报率。将图片做腐蚀膨胀等处理,过滤掉细长以及极少像素点等不可能存在的故障区域,对于较大的故障区域,采用基于卷积神经网络相似度的过滤方案进行过滤,最后将仍在输出链表中未过滤掉的故障区域输出,完成故障检测模块。本文设计与实现的接触网故障检测系统已经应用于某些铁路局。应用效果对比人工巡检和以往系统都表现出明显的优势。