憎水性等级（hydrophobicity class,HC）是复合绝缘子耐污闪性能的重要表征指标。工程中通常采用喷水分级法对运行复合绝缘子的HC等级进行抽检,根据测试结果确定检测周期并判定是否能够继续运行,然而,HC等级的判定结果取决于测试人员对喷水图像的主观理解,容易引起误判。探索建立定性与定量的HC等级智能识别模型,通过喷水图像确定复合绝缘子的HC等级,多年来一直是外绝缘领域希望实现的目标。数字图像处理技术与人工智能算法相结合的喷水图像分析模型是目前HC等级图像识别的主要方法,但由于实际工况下复合绝缘子情况复杂且存在多种因素的影响,模型的有效性与鲁棒性仍有待进一步提升。卷积神经网络（convolutional neural network,CNN）采用大量参数与独特结构设计实现了从图像输入到分类或回归输出的端到端拟合,为憎水性识别提供了新的方法,探索CNN在复合绝缘子憎水性检测的应用,利用CNN建立准确有效的憎水性识别模型,对于指导输电线路复合绝缘子的智能运维具有重要意义。基于上述背景,本文提出了一种基于轻量级CNN的复合绝缘子憎水性智能检测方法:通过喷水试验与图像増广构建了包含不同HC等级的复合绝缘子喷水图像样本集,采用模型迁移方法搭建了Alex Net、Goog Le Net、Inception-Res Net V2、Res Net1014、Mobile Net V2、Shuffle Net六种基于CNN的憎水性识别模型,用于建立喷水图像与HC等级之间的多维非线性关系,辅以网络模型压缩、图像质量评价及图像分割,构建层次多任务憎水性轻量检测系统,实现了不同光照条件、拍摄角度与距离、伞裙颜色、表面状况等情况下的复合绝缘子憎水性智能检测。主要研究内容及成果如下:（1）设计了复合绝缘子喷水图像数据集构建方案,包括:将不同浓度异丙醇溶液喷洒在全新复合绝缘子表面以模拟不同HC等级的水珠形态分布,以退出运行的绝缘子表面喷水图像为实际工况下的样本。利用不同型号、表面状况、伞裙颜色的复合绝缘子在不同光照条件、拍摄角度与距离下开展了喷水试验,通过去色、水平翻转、对比度调整等方法扩充图像样本数量,建立了数量充足且具有代表性的复合绝缘子喷水图像样本集。（2）基于模型迁移策略建立了Alex Net、Goog Le Net、Inception-Res Net V2、Res Net101、Mobile Net V2和Shuffle Net共6个憎水性识别模型,详细介绍了各识别模型的基本原理与实现流程。采用喷水图像样本集对模型进行训练,对700幅典型复合绝缘子喷水图像的HC等级进行了有效识别,准确率在94.71%以上,Res Net101最高可达98.14%。研究结果验证了识别方法的有效性及其应用于实际工况下的泛化性能。（3）采用网络剪枝与参数量化对训练好的Res Net101和Shuffle Net开展了模型轻量化研究,实现了模型参数缩减19.54%并且识别准确率提升0.14%。通过图像质量评价模型、聚类分割、形态学操作等图像处理方法,开发了层次多任务憎水性轻量检测软件系统,实现了复合绝缘子憎水性的准确、快速检测。系统测试结果验证了本文所提方法的工程应用价值,可为输电线路复合绝缘子的运行与维护提供参考。