输变电设备的可靠性及运行情况对电力系统稳定和安全生产具有重要影响。绝缘子作为高压架空输电线路的主要部件之一,应及时发现绝缘子的缺陷,以保证输电系统安全可靠地运行。因此,对故障绝缘子的识别具有重要意义。神经网络对数据(图像、文本等)的抽象表达过程是通过模拟人大脑的学习过程来进行的,并且已经在许多领域取得了广泛的关注,成为当今的研究热点。卷积神经网络作为神经网络的一种,在目标检测和图像识别中有着广泛的应用,对卷积神经网络进行深度的研究具有实际意义。本文对卷积神经网络进行了研究,并在绝缘子故障识别中进行了应用。基于卷积神经网络对特征的表述,提出了一种新的绝缘子图像分割算法,先根据预训练CNN模型提取图像的感兴趣区域,再进行滤波以及Hough变换提取图像中的绝缘子信息,将绝缘子从复杂背景中分离出来,以航拍图像为例进行了实验,结果表明该方法可以有效地将绝缘子提取出来;分析了CNN卷积核之间的相关性,利用BP算法误差传播理论和空间向量理论,得出了核函数之间相关性越小提取的特征越全面的结论;提出了通过小波重构的方法去除核函数之间的相关性,该方法有效提高了识别率,并缩短了训练时间;对神经网络的泛化性进行了研究,通过对第一层核函数进行仿射变换,构造了具有更强泛化能力的核函数,结果表明在对样本仿射变换的情况下,该方法能保证样本有效特征的正确映射,使网络的泛化性更好;对小样本的识别问题进行研究,依据奈曼皮尔逊准则设置置信度判决函数,对在已训练好的单层网络结构中难以识别的样本,重新进行特征的提取并训练下一层的网络,形成多层卷积神经网络结构,实验结果表明,该模型在小样本数量较少时,就能对小样本实现较好的识别。