高压电缆电气性能和机械性能表现优越,同时具有环境友好等优点,因此被广泛应用于电力系统。电缆附件是电缆系统的薄弱环节,存在缺陷的电缆附件温度往往高于正常状态下的电缆附件。因此,对电缆附件进行温度测量是实现状态检测的有效手段。红外热成像测温技术能够实现非接触测量,具有直观高效以及不受高压电磁场影响等优势,目前在高压电缆附件的定期巡检中得到了广泛应用。但是,目前针对电缆系统的红外诊断仍然主要依靠人力,已有诊断方式一方面耗费时间和精力,另一方面由于过分依赖人工经验,可能导致漏判或者误判。本文针对基于红外热成像处理与识别的高压电缆附件热状态智能诊断进行研究,形成了一套完整的自动诊断流程。针对红外图像高噪声、低对比度的特点,本文提出了基于最大后验概率估计的局部自适应小波阈值去噪方法。本文采用均方误差（MSE）以及峰值信噪比（PSNR）作为评价图像质量的指标,相较于传统阈值去噪方法以及基于小波系数统计特性的Bayes Shrink阈值法和Map Shrink阈值法,本文提出的方法进一步提升去噪效果,使图像质量得到进一步改善。实现图像去噪后,为了消除图像中其他干扰信息对后续图像处理的影响,提出了基于Faster RCNN网络的红外背景下电缆附件定位与识别方法。利用巡检过程拍摄的实际红外图像构建训练样本,实现包括卷积神经网络、区域建议网络（RPN）、感兴趣区域（Ro I）池化层以及目标检测层的Faster RCNN网络的学习与训练。训练好的网络能够实现针对电缆附件,包括接地箱连接处、户外终端连接金具与套管以及GIS终端尾管的自动识别与定位,准确检测出诊断目标,有效滤除干扰信息。定位与识别诊断对象后,为了实现高压电缆附件的热状态诊断,需要提取疑似过热区域及其对应的参考区域,并进一步提取温度信息。本文首先提出了基于Mean-Shift聚类方法的疑似过热区域提取方法;之后基于提取的疑似过热区域,针对不同的高压电缆附件提出了不同的参考区域匹配方法;最后,基于相应的诊断准则,得出诊断结果。本文提出的方法能够准确定位诊断对象的异常发热区域以及正常运行区域,最终自动将图像中附件的热状态划分为正常、一般缺陷、重大缺陷以及紧急缺陷四个等级。综上所述,本文形成了包括图像预处理、诊断对象定位与识别、关键区域温度信息提取的完整的自动诊断流程。该方法有利于降低对人工的依赖,提升诊断的效率,进而提高电力系统的运行效益;同时,该方法能够为基于红外热成像的其他电气设备热状态智能诊断提供参考,具有重要的工程实用价值。