随着我国铁路系统的发展,铁路系统的安全性和可靠性越来越受到重视。接触网是电气化铁路向列车供电的输电线路,其运行状态对铁路安全运营具有重要意义。如今接触网悬挂状态检测监测装置（4C）是接触网状态监测的主要手段。其通过安装在巡检车车顶的高清摄像头采集接触网图像,对图像进行分析进而实现对接触网各部件的检测。传统人工排查成本高、效率低,不能满足铁路安全检测信息化、智能化的需求。伴随着深度学习及深度卷积神经网络的不断发展,给计算机视觉领域带来了巨大的技术革新。因此,以接触网绝缘子为研究对象,研究基于计算机视觉的绝缘子状态检测算法。接触网绝缘子状态检测首先需要对接触网绝缘子实现定位。本文为了得到不包含背景信息的绝缘子定位结果,以Center Net网络为基础,对其进行改进,采用了无锚检测网络R-Center Net对绝缘子进行定位。该网络采用无锚网络结构,对图像关键点进行回归,能够有效减少网络的复杂性和计算量。同时在原网络基础上添加角度输出,实现对接触网绝缘子的精确定位。试验结果表明,改进后的R-Center Net算法能够实现对绝缘子的精确定位,相比传统方法得到更加干净的定位结果。在接触网绝缘子状态检测问题中,本论文从数据和模型两方面进行研究。在数据方面使用生成式和非生成式缺陷样本增广,利用生成对抗网络（GAN）解决接触网缺陷样本不足的问题。在模型方面,结合绝缘子缺陷差异细微的特点,采用类内区分网络WS-DAN网络实现对接触网绝缘子缺陷的分类。该模型采用弱监督和注意力机制实现对绝缘子局部特征的高效定位,进而融合全局特征实现对接触网绝缘子状态的分类。实现结果表明,该方法能够有效实现绝缘子状态检测。