随着我国高速铁路的发展,铁路网络规模不断扩大,对我国铁路运营管理提出了更高的要求,为了确保铁路系统正常稳定的运营,急需实现高铁线路高效率巡检。目前铁路巡检主要依赖于人工巡检的传统遥感方式,存在效率低,故障得不到及时处理等问题。相比传统卷积神经网络(CNN),深度卷积神经网络中的胶囊网络(Caps Net)首次采用矢量作为输入,可以很好的保留目标的特征信息,更适合于识别复杂背景下的吊弦和绝缘子。因此本文将胶囊网络模型应用于铁路接触网故障检测中,对接触网吊弦和绝缘子故障进行识别与定位,以实现检测的高效率与智能化。首先根据吊弦和绝缘子图像的本身特征,通过对比分析不同的边缘提取方法,应用Canny算子对采集的吊弦和绝缘子故障的图像边缘进行提取。其次针对传统胶囊网络训练时间较长,实时性较差等问题,提出一种改进胶囊网络算法,采用了3×3的卷积层和1×1归约层简化传统9×9胶囊神经元,同时使输出量保留了方向、角度等特征信息,能更准确对吊弦和绝缘子破损情况进行分类。与Alex Net、YOLO、局部特征分析等方法进行对比,实时速率达到了32帧/s,所提出的吊弦和绝缘子故障识别方法可以准确、迅速的从复杂背景识别出绝缘子,并准确的找到绝缘子破损的位置。为解决应用最大类间方差法与聚类算法分割绝缘子图像所存在的问题,应用改进CV(Chan-Vese)模型的绝缘子图像定位分割方法实现吊弦和绝缘子图像的精确定位分割,并通过霍夫(Hough)直线检测提取到故障吊弦和绝缘子的边缘直线对故障进行定位,其准确率为96.5%,帧速率为45帧/s,因此达到了故障检测实时性的要求,更适合接触网吊弦和绝缘子故障精确定位。