随着我国远距离输电技术的发展,输电网的规模越来越大,架空线路杆塔越来越多。一些大型的鸟类利用杆塔的位置优势躲避天敌,在杆塔上筑巢,给电力系统带来短路、损毁设备等安全隐患。因此,对输电线路杆塔鸟窝进行检测极有必要。为探究一种能快速准确检测识别大量输电线路巡检图片的基于深度学习的目标检测算法,本课题主要研究了基于YOLOv4的输电线路杆塔鸟窝定位模型,针对检测过程中出现的部分漏检和误检现象对YOLOv4提出改进:将SPP模块中的9*9最大池化替换为9*9平均池化,降低算法对小目标的敏感性,使算法预测结果更具稳定性。为提升本文试验的识别精度m AP值和识别速度FPS值,提出对YOLOv4的第二个改进:在YOLOv4主干特征提取网络末尾输出三个大小特征层分别增加三种注意力机制SENet、CBAM和ECA,最终得到提升效果最好的注意力机制为CBAM。本课题的主要研究贡献如下:（1）结合国外无人机输电线路异物巡检的发展现状以及国内基于深度学习的输电线路异物识别现状,总述了本课题研究的背景及意义。将采集到的高压输电线路杆塔鸟窝图像利用数据增强技术进行数据扩增,利用Label Img对鸟窝进行标记,构建高压输电线路杆塔鸟窝数据集。（2）将构建好的高压输电线路杆塔鸟窝数据集分别用于Faster RCNN、YOLOv3和YOLOv4这三种检测模型框架进行训练检测。对比试验结果,最终得到以上三种检测算法中识别效果最好为YOLOv4,其试验的m AP值为82.72%,FPS值为35帧/s。分别使用VGG、Resnet、Mobilenet和CSPdarknet作为YOLOv4检测算法的主干特征提取网络,得到试验效果最好的网络为CSPdarknet,其试验的m AP值为89.34%,FPS值为32帧/s。（3）用改进SPP模块的YOLOv4检测模型对本课题高压输电线路杆塔鸟窝数据集进行检测,在原基础上,m AP提升了0.47%,FPS提升了1帧/s。分别在YOLOv4结构中加入SENet、CBAM和ECA三种注意力机制,试验结果表明加入CBAM注意力机制试验效果最好,m AP值达到了91.02%,FPS达到了44帧/s。为了验证本文改进YOLOv4算法具有一定鲁棒性和泛化性,探讨了不同光照条件和不同拍摄距离对试验结果的影响,试验结果表明:本文改进YOLOv4算法能准确定位识别不同光照和不同拍摄距离条件下的输电线路杆塔鸟窝图像。（4）在改进模型基础上将COCO数据集作为源域,本文的杆塔鸟窝图像作为目标域进行模型迁移,试验结果表明:引入迁移学习后FPS值提升了12帧/s,m AP值提升了0.76%。