随着社会和经济的持续发展,电力系统的投资与建设也日益加速。在电力系统中,输电线路作为电能传输的载体,是最为关键的环节之一。而绝缘子作为输电环节中的重要设备,在支撑固定导线,保障绝缘距离的方面有着重要作用。大多数高压输电线路主要架设在非城市内地区,绝缘子在输电线路中由于数量众多、跨区分布,且长期暴露在空气中,受恶劣自然环境的影响,十分容易发生故障。随着大量输电工程的快速建设,传统依靠人工巡检的模式,已经越来越难以适应高质量运维的要求。随着国网公司智能化要求的提升,无人机技术的快速应用,采取无人机智能化巡视,能够大幅度减少运维人员及时间,提升质量,因此得到快速发展。深度学习技术的大量应用,计算机运算性能的不断提高,为无人机准确识别和定位绝缘子,实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位,利用深度学习技术采取基于YOLOv5及其改进算法的目标检测手段,结合绝缘子数据集的特点,对无人机拍摄图片进行训练,实现对绝缘子精准识别和定位,大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率,具有十分重要的应用效果。论文的主要工作如下:（1）首先介绍了无人机图像采集和巡视状态,介绍了徐州供电公司无人机实际巡检的巡检方法、内容、方式、要求等,阐述无人机巡视的工作流程。接着介绍了深度学习的相关知识、基础理论、经典的卷积神经网络以及常用算法框架。（2）说明了无人机图像的拍摄情况、分类及命名。使用标注软件对进行图像标定,利用图像的色彩调节、旋转、移动和缩放及滤波的方式实现了数据增强与扩充。（3）介绍了目前主流的目标检测算法CNN系列算法和YOLO系列算法。从检测速度和检测精度两方面来考虑,重点介绍了YOLO算法,这是一种采取深度学习模型的新型一阶段检测算法,实现了检测速度与精度并优,并将其中两种典型的算法进行了实验比对。（4）介绍了最新发布的YOLOv5算法的原理以及变化,未解决还存在的问题,对YOLOv5算法进行优化,在数据增强、激活函数、损失函数、注意力机制等方面进行探索升级。在自建数据集的基础上,对YOLOv5以及改进YOLOv5分别进行实验,得出检测速度、平均检测精度和平均召回率等指标数值,并横向对比Faster R-CNN、YOLOv3、YOLOv5及其改进算法,结果表明,以YOLOv5为基础改进算法整体表现更优,具有效率高、准确度好、模型小等优点,能够更好地适应无人机的自动巡检,随后在工程上进行了应用。本文为研究无人机图像识别绝缘子提供了新的解决思路。通过实验可以发现,与其他算法模型相比,本文提出的改进算法模型有明显优势,在对绝缘子特别是小目标、重叠度高的目标中,其识别准确率更高,识别速度也有所提升,具有十分出色识别效果。本文的研究也为后续利用该技术对输电线路中的其他正常或故障设备识别打下了理论基础。该论文有图57幅,表7个,参考文献96篇。