障碍物检测识别是高压输电线路除冰机器人的关键技术之一,要实现除冰机器人的自主越障,必须先对高压输电线路上存在的防震锤、悬垂线夹、耐张线夹等障碍物进行识别。本文针对220kV单分裂输电线路的结构特点,重点研究了基于视觉的障碍物检测识别方法。所研究的方法不需要结构约束,实现比较简单,将其应用到除冰机器人的障碍物检测识别,取得了良好的分类效果。本文主要的研究内容如下：1、对通过视觉传感器采集到的障碍物图像进行了中值滤波、膨胀腐蚀等预处理。采用小波模极大值算法对处理后的图像进行了边缘检测,并与canny算子提取的边缘图比较,证明了小波模极大值算法具有更强的抗干扰能力,取得了比canny算子更好的边缘提取效果。2、选取障碍物边缘图像的矩特征作为障碍物分类器的输入向量。构造了边缘图像的相对矩和小波矩两种矩特征,并采用次优搜索算法实现了矩特征的降维和优化。3、研究了基于神经网络的障碍物分类识别方法。首先研究了多层前向BP神经网络和基于BP算法的小波神经网络分类识别方法,然后针对BP算法收敛速度慢、易陷入局部最优等缺陷,引入收敛速度快、全局搜索能力强的粒子群优化算法代替BP算法训练小波神经网络,设计了基于粒子群优化的小波神经网络分类器。由于粒子群算法仍然有可能陷入局部极小值,本文借鉴模拟退火的概率突跳思想,提出了一种基于模拟退火的改进粒子群优化的小波神经网络分类方法,取得了了更加优异的识别分类效果。4、考虑到支持向量机更加适合小样本的模式识别问题,本文还研究了基于支持向量机的障碍物分类识别。首先建立了基于网格搜索和交叉验证参数优化的支持向量机分类器,然后考虑到网格搜索的盲目性,提出了基于粒子群和交叉验证参数优化的支持向量机分类器,取得了很好的识别分类效果。最后对分类器的输入向量即矩特征进行了FastICA独立分量分析,消除了矩特征数据的相关性,进一步提高了上述两种支持向量机分类器的有效性和优越性。