架空输电线路经过山川、河流、森林等复杂坏境,同时相关附属电力设备也长期处于各种气候环境下,不可避免地遭受雷击、鸟害、外力破坏等影响,导致输电线路附件及电力设备发生老化、损坏、短路等故障。如果不及时检查并替换已经出现故障的器件,则易引起供电中断、大范围停电等事故,因此有必要周期性地检查输电线路,及时发现线路中存在的不安全因素。本文基于计算机视觉技术对架空输电线路开展缺陷检测方法研究,针对渉鸟故障危害鸟种、绝缘子破损、悬挂异物等案例进行目标检测与识别。通过电力巡检图像与网络公开数据建立样本数据库,结合图像增广技术扩充样本,以提高模型整体精度及泛化性能;利用轻量级卷积神经网络、卷积类型、注意力机制等改进YOLOv4目标检测模型,减少了模型参数量以实现模型轻量化,降低边缘设备的内存需求,同时提升模型检测性能。具体研究工作如下:（1）提出了一种基于YOLOv4-tiny目标检测模型的输电线路涉鸟故障危害鸟种检测方法。根据国家电网公司的调查统计结果,构建了20种典型危害鸟种图像数据集;采用分阶段训练、Mosaic数据增强、标签平滑、余弦退火等技巧训练YOLOv4-tiny目标检测模型,以节省训练资源并提高模型精度;结果表明本文方法鸟种检测精度可达92.02%,检测速度可达40FPS;此外,采用散焦模糊、运动模糊、亮度与对比度调整预处理方法,模拟出模型在图像模糊、极亮、极暗下的检测效果,同时对实际杆塔构件与鸟巢部分遮挡情况下的鸟种图像进行检测,其结果验证出YOLOv4-tiny模型在实际运行环境下能够具有良好鲁棒性。（2）提出了一种基于改进YOLOv4的输电线路绝缘子缺陷检测方法。为扩充图像并解决样本不均衡问题,采用Graphcut分割算法生成新的缺陷绝缘子图像,构建输电线路绝缘子图像数据集;以Mobile Net V1轻量化卷积神经网络替换YOLOv4中的特征提取网络,并基于深度可分离卷积设计DSC-SPP与DSCPANet网络,建立改进YOLOv4检测模型;通过多种训练技巧与拉普拉斯图像锐化提高模型的检测精度。结果表明,改进YOLOv4模型的检测精度和速度分别可达97.26%、53FPS。此外,采用图像雾化、亮度与对比度调整预处理方法,模拟出模型在雾天、曝光、光照极暗下的检测效果,结果验证出改进YOLOv4模型能够具有良好的鲁棒性。（3）提出了一种基于嵌入式双注意机制的轻量级YOLOv4模型（YOLOv4-EDAM）输电线路悬挂异物检测方法。采用泊松融合算法合成新的异物图像样本,基于真实与合成异物图像构建鸟巢、风筝、气球、垃圾四类输电线路异物图像数据集,并通过Dn CNN抑制图像中的噪声。基于SENet与Mobile Net V2设计SENet-Mobile Net V2替换YOLOv4中的特征提取网络,采用卷积块注意模块（convolutional block attention module,CBAM）设计CBAM-SPP与CBAM-PANet网络,建立YOLOv4-EDAM异物检测模型。结果表明,YOLOv4-EDAM模型的检测精度与速度可达96.71%、45FPS,且在多目标、雾天、夜间三种特殊情况下的检测效果优于其他检测算法。