输电线路是电网系统中电力输送的基础载体,针对输电线路开展的安全巡检任务对于维护电网的稳定运行具有重要意义。近年来,随着深度学习技术的发展以及无人机设备的广泛应用,输电线路的传统人工巡检方式逐渐被无人机自动巡检方式所代替,基于无人机图像识别技术的巡检方式具有安全、高效和稳定的优势。在面向输电线路组件的目标检测过程中,存在组件与复杂环境背景融合、组件尺度与形态差异较大以及组件局部被遮挡干扰的典型问题,给目标检测任务带来了极大挑战。基于此背景,本课题较为系统地开展了输电线路组件及其缺陷形态的目标检测关键技术研究,在特征融合、特征提取与结果后处理阶段分别提出相应的优化策略,主要研究内容包括:输电线路组件的数据集构建、面向组件及其缺陷的多尺度目标检测算法、面向小尺寸组件及其缺陷的特征增强目标检测算法、面向被遮挡组件及其缺陷的知识图谱辅助目标检测算法。针对输电线路中组件目标的多尺度多形态特征差异,本文提出了基于特征增强的多尺度目标检测算法。在特征融合阶段,构建细节信息增强模块,实现增强底层特征的目的,减少小尺寸目标样本的像素损失。构建空间跨域特征增强网络,借助注意力机制对相邻特征层的重要特征信息进行增强,从而在特征金字塔网络中增强底层特征的语义信息和高层特征的细节信息,实现多尺度目标特征增强的目的。构建多形态目标的自适应拟合模块,利用可变形卷积核实现目标的自适应特征提取,并调整图像样本中不规则目标的正负样本分配过程,更好地拟合目标的特征分布。实验结果表明,耦合上述多种优化策略的多尺度目标检测算法可以提高具有多尺度多形态特征的输电线路组件目标的检测精度,相比于传统目标检测算法,平均精度均值（mAP）可以提升2.7%～11.6%,对解决输电线路中目标尺度差异带来的检测困难具有一定的实践指导意义。进一步针对输电线路中小尺寸组件及其缺陷的目标检测的关键难点,本文提出了以上下文信息为核心的异构表征辅助检测算法。在特征提取阶段,通过融合Transformer算法的全局特征提取优势与卷积神经网络算法的局部特征提取优势,构建了能够提取上下文信息的卷积自注意力模型,并进一步将该模型应用到Swin Transformer的底层结构中的多头自注意力机制计算中,提高目标检测算法对小尺寸目标特征的提取能力。此外,借助异构表征网络,将利于小尺寸目标检测的中心点表征和角点表征作为检测阶段的辅助表征,增强基础网络的检测模块中的分类和回归特征。实验结果表明,耦合上述优化策略的目标检测算法可以提高针对输电线路中多类小尺寸组件目标的检测精度,相比于传统目标检测算法,平均精度均值可以提升4.9%～17.3%,因此融合上下文信息的异构表征辅助目标检测算法对小尺寸组件及其缺陷的检测具有有效性。为解决输电线路中被遮挡组件及其缺陷难以检测的实际问题,本文提出了一种基于知识图谱关系推理辅助的目标检测算法。通过将输电线路中组件作为知识图谱的实体目标,结合不同组件间的共存关系来构建知识图谱,得到语义层面的组件共现关系。进一步地,以组件共现关系作为图卷积网络的邻接矩阵,并将原始目标检测算法的输出作为图卷积网络的输入,通过调整图卷积网络模型的权重来修正原始目标检测结果,从而提高被遮挡目标的检测精度或剔除易混淆目标。实验结果表明,利用知识图谱关系推理辅助的目标检测算法可以成功检测出多类被遮挡的组件目标,同时基于输电线路中线夹组件为主场景的数据集,利用知识图谱关系推理辅助的目标检测算法相比于前文中多尺度目标检测算法还可以进一步提高多类组件目标的检测精度,平均精度均值可以提升1.5%;而相比于传统目标检测算法,利用知识图谱关系推理辅助的目标检测算法的平均精度均值则可以提升1.8%～2.1%。