耐张线夹是架空输电线路中重要的电力金具,因耐张线夹质量缺陷造成的电力事故仍时有发生,为了保证电力系统的安全稳定运行,需定期对在运耐张线夹进行质量检测。目前广泛采用的X射线无损检测技术主要依靠人工判别缺陷,缺乏统一的判别标准,无法避免人为主观因素且检测效率低下。针对此类问题,本文基于X光图像与深度学习开展了耐张线夹缺陷检测的相关研究,通过两个方案实现缺陷的智能检测与定位,主要研究工作如下:（1）根据输电线路耐张线夹的常见缺陷类型并结合实际运行情况,构建了耐张线夹的X光图像数据集,采用BM3D与同态滤波算法对数据集中的模糊图像进行去噪与对比度增强处理,并利用图形标注工具Labelimg对图像中的缺陷部位进行标注。（2）提出了一种基于CenterNet目标检测算法的耐张线夹缺陷检测模型,并通过两个方面对模型进行改进,其一为在Res Net50的网络结构内添加通道注意力机制,使网络在特征提取阶段更多地关注重要的特征通道;其二为优化冗余检测框的剔除方式,引入柔性非极大抑制算法改善重叠目标易被漏检的问题。利用构建好的数据集开展训练与测试,实验结果表明,经过改进的模型m AP可达89.07%,同时具有较快的检测速度。（3）提出了一种基于YOLOv3目标检测算法的耐张线夹缺陷检测模型,并通过优化模型的特征提取环节对其进行改进,引入可在深度、宽度和分辨率三个维度上进行扩展的Efficient Net网络,令其特征提取输出替代原主干特征提取网络Darknet-53的三个输出,使提取的特征更加丰富。以原始YOLOv3作为参照,利用构建好的数据集分别测试了Efficient Net系列三个网络对模型的优化效果,实验结果表明,引入efficientnet＿b2改进而来的模型具有最佳的预测性能,m AP可达90.03%。本文研究内容有助于提高耐张线夹的缺陷检测效率,克服人为判别的主观性,对于实现耐张线夹的在线实时检测、电力设备的智能巡检以及人工智能在电网图像识别领域的应用具有参考意义。