变电站设备是电网的主要组成部分,也是保障国民经济发展和人民日常生活的重要基础设施之一。如何保证其正常运转,并能时发现突发故障成为当前科研人员亟待解决的热点问题。随着科技发展,对电力设备进行停电人工排查的方式已转变为新的热故障诊断手段,其中包括利用手持红外成像仪采集图像,再进行故障筛查,正在成为目前推广的技术,但主要以目测图像为主,对人工需求依旧较大。为了推动提高电网自动运行,降低人力投入,本文提出了一种基于热红外图像的变电站设备的自动识别与热故障诊断方法。针对传统分割算法对变电站设备红外热像的聚类中心敏感导致聚类精度低、细节等缺点,提出了一种适用于电力设备红外图像的IFCM改进算法。通过将高斯模型引入到图像的全局空间分布信息,利用局部空间信息的空间算子优化隶属函数以改进IFCM算法,解决边缘模糊和图像强度不均匀问题。实验表明该算法的相对区域错误率在10%左右,受模糊因子m变化影响较小,验证了该算法可以有效抑制噪声干扰,为后续处理提供了支撑。针对热故障诊断需要先对不同电力设备进行分类识别,本文设计了一种SVM红外图像分类器,可以有效识别三类常见电力设备。该分类器通过对经上述分割处理后的电力设备红外图像进行HOG特征提取,与SVM多分类相结合,以达到提升识别准确率的目的。实验利用该分类器对三种设备进行识别,结果显示其综合识别准确率达到95.3%以上,优于传统分类方法,满足对分类精确度的需求。最后利用红外图像的温度数据改进传统的相对温差法,通过相对温差的数值自动判断电力设备的热故障等级。实验表明,本文所设计的诊断系统在对三类电力设备判断是否存在热故障的同时,能够对故障进行等级划分并给出处理建议,验证了本文设计的变电站红外诊断技术具备可行性与有效性。