随着高速铁路的快速发展,铁路接触网支持装置零部件的安全检测要求更加严格。然而,目前铁路系统在捕获的海量图像中仍依赖人工读图的方式查找故障,效率较低,极易发生漏检。此外,接触网零部件大小各不相同,故障情况多变,相对于正常工作状态的样本,故障样本量较少,所以正负样本量的不平衡造成构建故障自动识别模型的困难。因此,针对上述问题,本文研究并实现了对接触网支持装置检测图像多分类定位分析系统,以及在故障小样本情况下等电位线的状态判别。首先,本文基于Faster R-CNN框架实现了等电位线、绝缘子、旋转双耳等12类关键零部件的定位识别。考虑零部件种类繁多,大小差别较大,通过建立包含12类关键零部件的样本库,改变网络层的基本结构,对损失函数以及非极大值抑制进行调整,最终实现零部件的定位提取。其次,为实现故障小样本下的检测问题,本文以等电位线为例,分别采用三类算法进行比较:传统图像处理技术、级联深度卷积神经网络、生成对抗网络的故障诊断。在小样本情况下,经过一系列试验对比,基于生成对抗网络的故障诊断算法最有效。基于生成对抗网络的故障诊断算法采用改进的深度卷积生成对抗网络实现等电位线的故障诊断,首先利用正常工作状态下的等电位线图像进行训练生成模型,然后将待检测图像输入得到的模型,最后将生成图像与输入图像进行对比,进而判断工作状态,可实现小样本或零样本情况下的故障诊断,适用性更好。最后,本文采用某段高铁的接触网支持装置图像作为训练数据,选取其它路段图像作为测试数据进行实验对比。实验结果表明在故障小样本中,基于生成对抗网络的异常检测可以快速准确地报告等电位线的工作状态,鲁棒性强。