随着高速铁路的快速发展,电气化铁路在发展中也面临着诸多问题,我国在这一方面已逐渐成为发展最迅速且技术最为全面的国家。在电气化铁路的发展过程中,铁路接触网的作用举足轻重,如何保证接触网的运行安全是其中一项重要工作。对接触网的常见故障以及非正常的运行状态进行异常分析检测,有必要制定预防和解决问题的措施,以保证接触网运行状态的安全。接触网本身是一个及其复杂系统,在对其研究过程中,面临着图像数据过多、图像背景复杂、数据样本不均衡以及自然环境的影响等问题。采用传统的人工识别分析车载视频,检测精度受人为影响因素较大,准确率不高。若要准确及时的检测出问题所在,需以自动化、智能化为出发点,采用计算机视觉处理的方法开展研究。近年来使用深度学习进行异物检测成为研究热点,然而采集的数据数量不均衡影响了深度学习的检测效果。目前,对于高速铁路接触网中鸟巢的检测主要采用目标检测的方法,由于鸟巢数据存在异常样本极少、数据不均衡和鸟巢样本具有特殊性等问题,使得鸟巢的自动定位识难度增加。针上述问题,本文根据鸟巢整个图像数据中所具有的特点展开分析研究,提取鸟巢所在的区域,进行孤立点检测,结合分类网络提取鸟巢特征,实现接触网硬横梁鸟巢异物检测。通过图像处理技术和深度学习的方法对硬横梁异物识别进行了相关的研究,将该任务由目标识别问题转化为分类问题,以分类的思想进行鸟巢的检测。最后通过实验验证了该技术方案的可行性。本文从以下几个方面展开论述:（1）为了解决硬横梁鸟巢数据不平衡问题,本文对鸟巢自身的特点分析,实现对带检测区域的枝桠点检测算法,通过点检测算法实现数据的获取,根据样本选取原则确定数据集的正负样本,制作相关数据集。最后,对所获取的数据进行数据增强,以扩增训练数据量。（2）研究了基于监督学习的接触网硬横梁鸟巢小样本的检测。通过对鸟巢枝桠点的特征检测,将目标识别定位的问题转化为分类问题,结合MobileNetV3等分类网络实现对硬横梁的鸟巢检测,对检测结果进行比较分析。验证以分类的思想实现接触网硬横梁异物检测的方法的有效性和可行性。（3）研究了基于半监督学习的鸟巢数据分类及其检测。使用自训练方法对大量无标签数据进行处理,以解决人工数据分类效率低的问题,同样使用MobileNetV3网络实现对硬横梁鸟巢检测。分析利用半监督学习进行数据归类的方法在接触网硬横梁异物检测中的效果。