在高速铁路的快速发展和运营过程中,高铁基础设施的安全检测问题一直是电气化铁路行车安全的重中之重。在高速铁路接触网支持悬挂装置中,吊弦、管帽是重要的关键零部件,由于施工缺陷或列车长期运行过程中的振动和冲击,不可避免地会导致接触网支持悬挂装置发生故障,对列车的稳定运行造成巨大影响,因此,及时发现故障零部件显得尤为重要。然而,当前的故障检测主要依靠人工和传统的图像处理技术,效率不高且检测的精度较低,吊弦和管帽异常状态的自动检测仍存在困难。因此需要研究接触网吊弦和管帽定位及故障检测的智能识别算法,以指导接触网安全隐患的消缺。主要研究工作如下:首先,本文以高铁接触网支持悬挂装置中的吊弦和管帽为研究对象,分析了C4子系统采集的接触网图像的特点,对接触网图像做简要的预处理:利用图像数据清洗剔除了曝光过度和纯黑色背景等与接触网吊弦和管帽检测无关的图像;为去除图像中环境噪声的干扰,采用随机化冗余离散余弦变换(Randomized Redundant DCT,RR-DCT)去噪,通过泊松磁盘采样的随机子采样实现图像降噪性能和计算效率之间的权衡;针对低照度条件下的接触网图像质量问题,采用自适应集成邻域非线性图像增强(Adaptive Integrated Neighborhood Dependent Approach for Nonlinear Enhancement,AINDANE)算法,通过全局亮度调整结合局部对比度调节的方法来增强低光图像的亮度和对比度。经过上述预处理的接触网图像在质量上得到改善,能更好的满足后续检测算法的要求。然后,本文对基于候选区域的深度学习目标检测算法进行分析,针对更快区域卷积网络Faster R-CNN存在的不足,提出了改进的Faster R-CNN网络定位模型:通过跨层提取网络的特征,组合各层次的特征映射来同时获取高层语义和低层高分辨率的位置信息,使特征提取的效率得到提升;同时为提高识别精度,采用轻量级的区域推荐网络RPN以生成更少的区域建议;通过感兴趣区域Ro I池化层的位置调整对候选区域的生成过程进行加速,提升网络的整体速度。建立接触网吊弦和管帽的图像数据集,对改进的Faster R-CNN网络进行训练,通过实际线路的测试验证生成的接触网吊弦及管帽定位模型的优越性,为吊弦和管帽的异常状态检测奠定了基础。最后,本文针对单次检测器SSD网络利用浅层特征来检测小目标,由于缺乏语义信息导致小目标的检测效果不佳的问题,提出了一种改进的SSD检测网络:将当前表现最佳的分类器残差网络Residual-101和SSD进行结合,同时添加额外的反卷积层,使图像的深层特征与浅层信息相融合,起到提高浅层表征能力的作用,从而提高检测器对接触网吊弦和管帽这类小目标的检测能力。在接触网吊弦及管帽的故障检测上,本文提出一种吊弦及管帽的异常状态检测级联网络,将改进的Faster R-CNN网络与改进的SSD网络级联,在定位出的吊弦和管帽结果上进行故障状态的判别。实验结果表明本文由改进网络组成的级联网络模型可以对接触网吊弦和管帽的各种状态进行快速准确地判断,且在不同的线路上具有很强的鲁棒性。