随着传统人工输电线路巡检模式所引发的问题日渐突出,利用无人机进行输电线路智能化巡检的方式逐渐成为主流,对巡检视频中绝缘子目标的识别与跟踪的研究是实现智能化巡检的关键。针对现阶段绝缘子目标的识别与跟踪方法不能解决由于复杂背景、尺度变化等带来的问题,不能满足对实时性、准确性和鲁棒性的要求。本论文从以下两方面展开研究:一是根据绝缘子目标识别场景,将绝缘子目标分为运动绝缘子目标和静态绝缘子目标,通过结合传统运动目标检测方法研究基于运动信息的绝缘子目标识别,使用机器学习算法中SVM和Faster-RCNN模型并分别引入具有较强表征能力的Hog特征和卷积特征来研究静态绝缘子目标识别;二是运用基于生成式的Camshift算法和基于判别式的KCF及其改进算法来研究绝缘子目标跟踪。论文的主要工作概括如下:(1)对当前绝缘子目标的识别与跟踪的方法进行研究分析,并利用视频中绝缘子运动信息来识别绝缘子目标,通过实验发现传统运动目标识别方法不适用于有背景更新的巡检视频,不能准确识别绝缘子目标。(2)分析了机器学习方法中常用的几种机器学习模型,结合工程需求分别设计搭建了基于SVM和Faster-RCNN的绝缘子识别模型,并使用输电线路巡检采集的样本对模型进行训练,最后利用训练好的模型实现绝缘子目标准确识别。(3)采用了基于Camshift的绝缘子目标跟踪算法,提取了绝缘子图像色调H分量,并在此基础上计算反向投影,获取绝缘子目标的外观模型,再结合算法实现绝缘子目标跟踪,最后通过实验及对比分析发现,此算法只考虑到绝缘子目标本身,忽略了正样本周围的背景以及正、负样本间的局部模式而导致绝缘子实际跟踪应用中面对复杂因素时不够鲁棒。(4)提出了一种基于KCF的多尺度绝缘子目标跟踪算法,首先提取绝缘子fHog特征,接着通过最小化决策函数来训练一个分类器,得出绝缘子目标位置,最后引入多尺度估计方法,确定绝缘子目标大小,从而提高了绝缘子跟踪的精度。同时,针对巡检视频中容易出现多个绝缘子目标的问题,提出将单目标跟踪器扩展到多目标跟踪的思想,通过封装多个单目标跟踪器来实现有多个绝缘子目标并具有计数功能的多目标跟踪器。