为保证输电线路及附属设施的安全和可靠运行,对输电线路定期巡检是电网系统中的基础性工作,巡检内容包括高压塔及附属部件,输电线路,输电通道等。巡检方式包括传统的人工巡检,以及近年在电网中逐渐开始推广应用的直升机/无人机巡检。人工巡检是过去长时间采用的主要方式,缺点是受自然环境限制,需要大量人力,所以巡检中的自动化越来越受到重视。近年随着无人机的使用,自动化巡检的研究也开始兴起,其中图像处理和识别的研究尤其重要。在针对巡检图像中的目标进行故障检测时,传统方法在面对复杂环境时鲁棒性不好,而基于深度学习的方法主要从目标检测的角度对故障进行检测,局限性比较大。因此本文目的是结合传统方法的灵活性和深度学习的性能,针对特定目标进行故障检测。本文提出了利用语义分割将目标物体从背景分离出来,然后尝试进行故障检测的方法。这种方法的优点是剔除了背景的干扰,方便后续的处理。同时,本文研究了几种检测绝缘子串缺陷故障的方法,其中针对绝缘子掉串故障使用了两种方法检测,其中结合了字典学习、CNN特征提取以及频域分析等方法。针对绝缘子表面脏污的缺陷,本文提出了异常检测结合深度学习来进行检测的方法。异常检测采用了无监督方法,对脏污区域进行第一次提取。而深度学习进行进一步的过滤。本文通过实验说明了检测方法的效果。另外,为实现在高分辨率的自然图像上进行目标检测和语义分割,本文采用了BING作为区域推荐算法,解决了深度学习网络的输入受限于网络和硬件规格的问题。