变电站设备的正常运行是电力系统稳定运行的先决条件,因此变电站设备的缺陷检测是非常必要的,如何快速准确发现变电站设备存在的隐患成了一个重要问题。传统检测主要依靠于人工检测,这种方式在时间、效率、安全等方面存在着很多弊端,已经不能满足变电站的安全巡检需求。随着人工智能、图像处理技术的发展,深度学习算法为变电站设备的自动巡检提供了新的技术方案。本文基于实际项目需求对深度学习算法进行相关研究和改进,最终将其应用到变电站设备缺陷检测和分类中。论文主要研究工作如下:（1）图像预处理及数据增广。由于变电站缺陷设备的数据集较少,在自采集数据集基础上先使用几何变换法进行数据增广,然后通过Cycle GAN算法对数据集进行增强,有效的解决了小样本数据问题。（2）在缺陷检测阶段针对变电站设备缺陷检测提出基于无锚双向跨尺度特征融合的缺陷检测算法。使用Efficient Net作为特征提取网络,可以根据应用场景从而选择不同的模型;针对缺陷设备尺寸相差较大、小目标物体难以定位的问题,使用改进的Bi FPN来进行特征融合,以提高检测精度;为克服检测算法在设置锚框所带来的超参设定难、Io U计算占用资源大、正负样本数量差异较大的问题,使用无锚机制来对特征图进行目标分类及位置回归。同时使用自适应训练采集方法进一步优化正负样本分类问题,有效的提升了检测精度与检测速度。（3）在缺陷分割阶段提出了基于瓶颈注意力机制的缺陷分割算法。为解决分割过程中对小目标物体分割不友好问题引用瓶颈注意力机制;在减少参数、增加感受野并尽可能多的保留关键特征前提下,在改进后的ASPP中使用四种不同采样率的空洞卷积;为了实现图像目标多尺度和高效率的分割,使用编码器-解码器思想将改进后带有空洞卷积的ASPP结构与编码器-解码器结构相结合,最后使得分割出来的模型边缘更加精确。（4）基于QT框架并结合上述检测和分割算法模型,设计一套变电站设备监控管理系统。实现视频实时监控,视频回放,缺陷检测与分割,记录上传,日志查询,系统设置等功能。该系统投入使用到企业委托项目后,实现变电站“少人值守、无人值班、区域检修”的新运营模式,对推动变电站设备从传统型到监控型的转变具有重要意义。