目前,高压断路器的机械特性测量及缺陷诊断大多是停电后利用传感器获取其机械特性参数从而进行缺陷诊断。本文以弹簧操动机构高压断路器为对象展开了研究,提出了一种无需停电的高压断路器机械特性非接触式测量及其缺陷诊断方法,主要研究内容和研究成果如下:首先,本文提出了一种高压断路器分闸电磁铁行程的非接触式测量方法,基于主动视觉标定的原理设计了安全电气距离下的测量系统,利用K-Means图像聚类算法结合CLSD直线检测算法计算出了电磁铁行程像素值。同时结合激光传感器精准定位的功能,利用游标卡尺进行标定得到固定距离下的像素当量,从而计算出电磁铁行程实际物理值。通过计算结果与塞尺测量结果的对比,验证了该方法的有效性。其次,搭建了一种包括电磁铁行程缺陷在内的高压断路器机械特性模拟实验平台,考虑到动触头密封于灭弧室内,且当光照不足时易发生目标物局部缺失,本文将深度学习方法应用于与动触头刚性连接的标志物行程曲线测量上,先利用YOLOv5框架对图像中的标志物进行了检测,其次基于DeepSort算法对其运动轨迹进行跟踪得到了标志物行程曲线,根据标志物与动触头的刚性连接关系最终得到动触头行程曲线。利用小波变换在突变点检测方面的优点提取出分闸电流波形,经低通滤波后与行程曲线相结合,得出了高压断路器常见缺陷状态的曲线变化规律。通过特征定义法和导数定义法分别计算出每种状态的行程与电流曲线特征值,为高压断路器缺陷诊断提供了样本数据集。最后,提出了一种基于随机森林特征优选的灰狼优化支持向量机高压断路器缺陷诊断方法,先利用随机森林算法结合支持向量机模型确定最优特征子集数据库,再基于灰狼算法对支持向量机进行参数寻优来实现高压断路器缺陷诊断。计算结果表明,经随机森林算法特征优选后,可以一定程度的提升模型诊断准确率,降低诊断时间,其次结合灰狼优化算法对支持向量机参数寻优可以进一步提升诊断准确率。