高速铁路电气化建设与运营管理中,接触网异常检测是目前业界特别关注的关键技术,基于智能视频分析的检测方法是其中的主要技术途径,我们采用了多种数据分析方法对该智能视频分析问题进行了研究。鸟巢检测是接触网异常检测中的一种典型状况,搭建于电气化铁路接触网支架上的鸟巢极易引起接触网跳闸、绝缘子击穿等严重故障。目前主要依靠人工巡检方式进行鸟巢检测,成本高、效率低。利用视频图像处理进行自动巡检是业界十分重视的技术发展方向。但在接触网图像数据中含有鸟巢的图像只占总数据很小的一部分,属一类典型的不平衡数据分类问题。使用机器学习模型解决该类不平衡数据问题,模型对于数据特征的学习能力非常关键。生成对抗网络GANs可以无监督的学习到丰富的数据特征,其优异的数据特征捕获能力被越来越多的证实和应用。本文结合接触网鸟巢检测的应用背景,从图像数据预处理、目标检测、不平衡数据分类三方面出发展开了论文的研究工作。在接触网巡检视频中,存在大量有雾、曝光不足或过度的问题图像,针对该问题本文使用暗通道先验去雾算法(Dark Channel Prior,DCP)对图像进行增强,获得了非常显著的曝光修复以及去雾的效果。为了有效提取巡检图像中的关键部分,本文使用了Faster R-CNN对巡检图像中的接触网支柱进行目标检测及提取,通过使用迁移学习的方法,基于少量标签样本达到了较理想的目标检测准确度。由于GANs模型自身结构及原理所限,直接将其用作图像分类模型效果并不理想。针对图像分类任务对GANs模型进行了研究和改进,提出了双判别器生成对抗网络DDGANs。在接触网鸟巢检测中取得了令人满意的分类效果。同时DDGANs也是一种有效的半监督学习模型,对MNIST标准数据集的实验表明,与其他模型相比,准确率和收敛速度获得了明显提高。