近年来,我国在高速铁路领域的发展程度是相当迅速的,如何保障高铁列车安全稳定的运行,已经成为了一个越来越重要的研究选题。随着机器视觉领域中深度学习图像算法的高速发展并且在很多图像处理任务中都获得了极好的效果,已经有相当多的领域引入了基于深度学习的方法研究。而在高速铁路接触网检测的实际工业应用场景中,目前常用的检测方法还都是依赖人工读图或者传统图像算法。这些方法在实际的应用场景中具有较低的效率和准确率以及较差的鲁棒性,很难保障高速铁路弓网系统安全稳定运行。因此,本文基于深度学习图像识别算法,展开了对接触网非接触式安全检测相关的研究。首先,在接触网C2检测中,存在对连续采集视频中设备的里程定位问题。因此本文针对接触网连续视频的单帧图像中设备的号牌定位与识别问题,以Faster R-CNN框架作为基础,设计了一种新型的级联识别网络模型,实现了对接触网C2巡检图像的快速连续杆号牌识别。依据识别任务的具体特点,针对C2巡检视频逐帧识别浪费计算资源及采集模糊残损等造成识别困难问题,设计了最优帧选取算法。针对部分杆号牌数字识别错误的情况,提出了一种对连续杆号修正算法,最终使整体识别算法达到了任务要求。其次,在接触网安全检测中,腕臂结构的几何参数监控也是一项重要的检测指标。为利用C2巡检图像实现对腕臂系统几何参数检测任务,本文提出了一种基于深度学习图像分割与图像骨骼化的腕臂系统接触网连接关系估计算法。先根据接触网图像特点,通过局部嵌入可变形卷积核和优化网络贪婪算法改进了Mask R-CNN图像实例分割网络,使其能够在接触网腕臂等细长杆状结构体分割中取得较好的效果。基于接触网腕臂图像分割后的掩膜结果,设计了一种提取接触网腕臂骨架的姿态简化算法。同时通过对比实验,证明了本算法的优越性与适用性。最后,本文针对深度学习图像算法开始大量应用于接触网6C系统检测领域的情况,提出了一套高并发接触网综合检测集成服务应用平台的软件架构设计。该平台架构的设计考虑到接触网检测中的多种实际场景,采用前后端及运算服务器分离的设计方式,使用Redis数据库提供任务及数据缓冲服务、TF serving提供底层算法模型服务、g RPC作为传输协议。实现了多用户远程高并发请求、多种硬件平台搭载、服务器分布式部署、运算资源合理分配等多种特点。经过实际测试运行,验证了该平台的有效性与高并发特性。