智能电力巡检已成常态,为了保护电网运行安全,实现高效可靠的电力巡检影像缺陷检测十分重要。当前电力缺陷检测算法依赖于与正样平衡的海量负样数据,只能检测已知的缺陷类别;此外,电力关键部件存在无负样的情况,这类问题亟待解决。因此,本文提出了基于特征归纳的无负样式电力缺陷检测算法,仅使用正样数据实现对电力巡检影像中不同关键部件的缺陷检测。本文的具体研究内容总结如下:（1）为了有效评价基于特征归纳的无负样式缺陷检测算法的实际效果,本文提出了一种无负样式电力缺陷检测评价指标。根据检测时使用的缺陷得分阈值,统计正常像素分类精准率和缺陷像素分类精准率,表征像素级检测效果。设置像素分类精准率阈值,统计正常图像检测准确率和缺陷图像检测准确率,表征图像级检测效果。正常像素分类精准率低,代表存在误检,对应的正常图像检测准确率低;缺陷像素分类精准率低,代表存在漏检,对应的缺陷图像检测准确率低。（2）为了解决无负样式缺陷检测问题,本文提出了一种基于语义相似特征聚类分析的特征归纳缺陷检测算法。该算法进行语义相似特征提取,然后使用多聚类中心特征分布学习方法构建正样特征分布模型,最后判断检测特征是否在正样特征分布内,实现缺陷检测。电力缺陷检测数据集实验结果表明,该算法在正常图像检测方面、缺陷图像检测方面均取得了良好的检测效果。（3）为了解决微小缺陷检测精度不足的问题,本文提出了一种基于多任务式特征超球体学习的特征归纳缺陷检测算法。该算法采用了教师-学生网络构建正样特征超球体;然后进行多任务式训练得到与正样特征更相关联的特征超球体;最后,通过特征超球体进行缺陷检测。电力缺陷检测数据集实验结果表明,该算法在微小缺陷检测方面取得了良好的检测效果;同时能够保证正常图像检测、其他类型缺陷图像检测的良好检测效果。