近年来,随着我国电力事业的飞速发展,智能电网成为了我国电力产业发展的重大需求,基于深度学习平台的电气设备智能检测系统的研究,对实现电力巡检自动化和智能化具有重要意义。流行的深度学习系统可从大量的数据中自动学习目标样本特征,但其模型结构愈加复杂,且算力消耗巨大,很难在实时巡检系统中应用。另一方面,基于边缘计算技术的移动设备由于算力有限,使目标检测精度受到很大影响。本文提出一种基于嵌入式边缘计算平台的轻量级深度学习电气设备红外图像检测算法,为构建兼顾实时性和精确性的电气设备智能巡检系统提供了可行方案。本文主要研究工作如下:（1）根据巡检工程师用红外热像仪所采集的近五年的天津市7个区域中194个110KV和111个35KV变电站的巡检红外图像,本文标注并建立了Pascal VOC格式的电气设备红外图像数据集,为后续深度学习算法的训练及测试提供了基础。该数据集共含10516张红外图像,包括电流互感器、绝缘子、避雷器、断路器、隔离开关和套管6类常见电气设备,每张图像中含2-3类电气设备,尤其对981张存在电气设备温度异常故障的红外图像进行了标记。（2）本文对经典SSD网络进行改造,提出了一种适合边缘计算设备的轻量级卷积神经网络Lightweight ES。首先基于Mobile Net V3轻量级网络作为特征提取骨干网络,快速高效地提取图像特征;然后引入高效通道注意力模块ECA,提高网络的检测精度;最后采用软池化（Soft Pool）方法以减少池化信息损失,提高网络的分类精度。将改进后的算法应用于电气设备红外图像数据集中进行训练与测试,实验结果表明Lightweight ES算法能够实时准确地识别出电气设备及其局部温度异常故障。（3）电气设备温度异常区域在红外图像中往往较小,本文针对目标检测算法对设备温度异常区域小目标检测精度不够高的问题,在Lightweight ES算法的基础上,提出了多尺度特征融合轻量级算法Lightweight ES-FPN。该算法引入了特征金字塔网络结构,将高分辨率的浅层特征层和低分辨率的深层特征层进行融合,提升了模型整体的检测精度。实验结果表明Lightweight ES-FPN算法能在保证检测速度的前提下,明显提升对电气设备温度异常区域的检测精度。（4）完成了将Lightweight ES-FPN网络在NVIDIA Jetson TX2边缘计算平台上的移植工作,实验结果表明本文平台能兼顾精度及实时性要求,为电网实时无人巡检系统提供了可行方案,具有实际应用价值。