在输电线路中,作为主要部件之一的绝缘子对电力系统的稳定和安全生产具有十分重要的影响。因此,准确定位绝缘子并对其进行检测识别对维护电力系统安全具有重要意义。神经网络通过模拟人类大脑的认知学习过程,对图像等目标数据进行相关的抽象表达。本文分别针对有监督和无监督深度学习算法的检测准确性进行研究对比,并应用于航拍图像中的绝缘子目标,为输电线路中绝缘子的故障检测做准备。基于卷积自编码器,本文提出了一种新的训练算法,利用小波包分析的方法对误差图像进行处理,然后再通过BP算法对相关参数进行调整,以减少的特征信息中冗余、噪声对结果的干扰,降低核函数之间的相关性,从而改善网络的重建效果。并从向量空间理论的角度分析了核函数间的相关性以及该算法的可行性。实验结果表明,小波包分解算法有效的提高了网络性能,但是该种方法需要固定输入图像的尺寸,且边缘信息易丢失,清晰度不高。有监督学习方面则采用人工智能领域最新的YOLOv3深度网络模型,针对其原理和目标检测的准确性进行研究。提出了一种分解聚合算法,主要针对在目标检测定位过程中出现的目标错检、漏检等问题,将实际物体分解成多个连续且存在交集的子目标,并对子目标进行检测识别。而改进后的有监督学习网络在保证子目标检测精度与速度的前提下,利用各目标之间相交区域的特征信息及含义,对隶属于同一整体的各部分进行聚合并重新定义,使检测到的目标区域更完整,并赋予其更完整、更深层次的含义,且对输入图像尺寸无要求。同时为单独出现的子目标找出其所隶属的整体,对其含义进行更深刻的描述。