接触网作为高速铁路动车组取流的关键设备,发展智能化的方式对接触网运行状态进行检测是保证高速铁路运营安全的有效措施,具有良好的应用前景和深远的意义。本文研究基于深度学习的图像语义分割算法对接触网监测场景内容进行宏观分析和理解,实现接触网关键设备的检索定位,提高接触网运行状态检测效率。本文以3C接触网监测图像为对象,提出一种基于特征注意力的接触网监测图像双边分割网络（Bilateral Segmentation Network for Catenary Monitoring Image,CMIBi Se Net）,在实现对具有复杂场景和在多种环境条件下获得的接触网监测图像进行语义分割同时,针对目前常用的图像语义分割网络不能兼顾分割精度和分割速度的问题,在保证分割精度的情况下,研究提升分割速度。然后以吊弦为例,在语义分割结果的基础上完成对接触网关键设备的检索定位。本文的主要工作和创新点有如下几个方面:1、基于自行开发的标签图标注程序pixel＿tag构建接触网监测图像语义分割数据集。研究深度学习的数据需求,从海量的接触网监测数据中筛选适合语义分割网络的图像。针对语义分割是像素级图像密集分类的特点,利用标签图标注程序pixel＿tag手动标注了300张像素级精度标签图像。并用合适的数据增强方式对原始图像及其对应的标签图像进行数据增强,得到符合深度学习数据量要求的足量数据,为后续实验提供数据保障。2、提出一种基于特征注意力的适合3C接触网监测图像的双边分割网络。针对语义分割网络模型加速方法存在的缺陷,在双边分割网络Bi Se Net的基础上进行改进。双边分割网络包含的空间路径与上下文路径两路结构并行计算,极大地提高了分割效率。同时为了保证语义分割精度,以残差网络替代轻量级网络作为上下文路径的骨干结构。从PA值、MIo U值和分割效果图几个方向,对5组不同情况下的语义分割结果进行分析。并结合对不同网络的分割速度进行对比,验证了本文的网络对于不同情况下的接触网监测图像进行语义分割都具有适用性,在保证语义分割精度的同时,能有效的提升分割的速度。3、为了识别接触网监测图像有效观测范围内关键设备的状态,以接触网中结构最为脆弱的吊弦为例,在图像语义分割结果的基础上,运用图像处理技术完成对吊弦的检索定位,获取只包含吊弦线的图像,为后续吊弦的异常检测工作做准备。