输电线路场景下，防震锤、绝缘子、导线等关键设备的损坏间接影响供电系统的正常稳定运行。定期巡检输电线路，可以有效的避免供电系统故障。如今通常采用无人机巡检输电线路，并拍下输电线路场景下的巡线图像，最后人工查看巡线图像中的缺陷。因此，为了提高输电线目标缺陷检查效率，需要研究输电线关键目标检测，实现目标的快速定位，最终提高输电线路巡检工作效率。
　　在输电线关键目标检测研究过程中，以手工特征为主的传统目标检测方法，只能针对特定类型并且具有易区分特征的目标，其鲁棒性较差。当前主流的基于深度神经网络的目标检测算法弥补了传统目标检测方法的不足之处，提高目标检测算法的鲁棒性。然而，在输电线路关键目标检测的研究中，使用深度监督神经网络仍存在以下问题：第一，缺少足够的训练数据；第二，网络浅层特征表达未有效利用；第三，目标空间定位不准确。因此，本文主要以解决以上3个问题作为研究出发点，并完成的主要工作如下：
　　①参考VOC官方标注指导文件，构建了包含23024个输电线路关键目标的巡线图像数据集。提出了利用PCA扰动和透视变换的巡线图像数据扩充方案，以及提出了对应目标标注位置转换算法，解决了缺少训练数据的问题。
　　②受特征金字塔FPN以及多层卷积特征融合网络的启发，结合残差块，提出了浅层残差投影结构，从而提升了卷积神经网络CNN对输电线关键目标的高分辨率特征表达能力，尤其有利于提升小尺寸目标的检测性能。
　　③针对Faster R-CNN的区域建议网络RPN，提出了适用于巡线图像数据集的参数微调辅助优化策略，微调了区域建议网络RPN中的锚框参数以及正负样本训练比例参数，技巧性的提升输电线关键目标检测算法性能。
　　④研究了用于定位位置修正的IoU损失函数，存在网络参数无法优化的不足之处，针对IoU损失函数的不足之处，提出了IoUC损失函数，解决了网络训练过程中参数无法学习的问题。
　　本文将扩充后的巡线图像数据集，浅层残差投影结构的CNN网络，微调区域建议网络RPN参数，以及IoUC定位损失函数，分别融入Faster R-CNN进行对比实验，发现导线，绝缘子，防震锤的检测平均精度mAP都有所提升。融合所有方法的输电线关键目标检测平均精度mAP提升了69.7%。