高速铁路动车组列车在运行过程中,需要通过受电弓连接铁路沿线架设的供电接触网获取电力,因此接触网的正常工况对于列车的稳定运行十分重要。露天架设的接触网容易悬挂各类异物,影响对列车组的正常供电,导致列车延误等多种事故发生。因此,接触网异物检测的技术研究受到了学术界和工业界的高度重视。其中,基于视觉的非接触式检测方法随着计算机视觉技术的发展获得了广泛的研究和应用。在车载线路摄像头拍摄的监控视频数据中,接触网异物视觉特征不明显、复杂背景动态变化,使得现有算法不能准确捕捉异物信息。因此,本文在构建接触网异物数据集的基础上,从图像和视频两个维度提出接触网异物检测算法。本文主要研究内容包括:（1）使用动车组司机操控信息分析系统的车载前视线路监控视频数据,构建了接触网异物数据集并进行图像标注和增广。针对此数据集中部分图像运动模糊问题,通过维纳滤波进行图像降噪增强,从而减少干扰信息;针对异物特征不够明显的问题,分析了数据集中异物的局部视觉显著性特点,提出了引入先验知识的上下文相关显著性检测方法,使用该方法增强了异物区域在整体图片中的显著性。（2）在图像维度进行基于深度学习的异物图像目标检测。针对动态背景复杂的问题,提出了一种自适应地平线分割算法,通过估计地平线位置截取天空区域图像,以减少地面复杂信息干扰。针对异物特征不明显的问题,对目标检测网络SSD（Single Shot MultiBox Detector）提出了两点改进:改进先验框设置、引入视觉显著性修改网络结构,从而强化网络对接触网异物特征的提取能力。实验结果表明,所提算法在接触网异物图像数据集上实现了 88.04%的全类平均正确率和15.67帧每秒的检测速度,具有准确率较高的接触网异物检测能力。（3）在视频维度进行基于多示例学习的监控视频异常检测。针对图像目标检测未利用时序信息、依赖大量样本等局限性,提出了基于多示例学习的弱监督异常检测方法,通过对视频片段进行异常评分判断异常情况是否发生。该方法实现了两点创新性改进:一是使用更强的特征提取网络,二是通过全局上下文模块引入全局注意力机制;由此强化了方法模型提取特征的能力,提高了检测精度。实验使用AUC（Area Under ROC Curve）作为评价指标,所提算法在接触网异物视频数据集上测试结果为76.97%,具有准确率较高的视频异常事件（本文中为接触网异物挂网）检测能力。