我国高速铁路的快速发展,使得各铁路局对沿线基础设施检测与维护的压力不断加大。接触网作为基础设施的重要组成部分,使用频繁且无备份,其完整性、稳固性直接影响列车以及人员安全问题。目前接触网的动态检测,以车载相机4C装置拍摄图像,并利用传统的低精度计算机视觉算法实现,但该类算法检测效果低且不利于大规模数据集的检测。近年来,深度学习的兴起使智能识别的准确性快速超越了肉眼以及传统的检测算法。因此,本文把基于深度学习的方法引入到接触网缺陷检测中,进行了如下工作:首先分析了目前接触网识别技术的优缺点,以及基于深度学习的智能检测算法的发展现状。针对接触网的原始数据集,缺陷占比较小、部件相似、方向分布不均等一系列问题,设计了本实验的技术流程。该技术流程主要分为两个阶段实现,第一阶段是对接触网部件进行定位,通过分析Opencv相关匹配法对图像匹配的问题,根据深度学习特性以及数据特点,采用基于深度学习的R2CNN算法实现带倾斜角度的目标物体识别。经过训练和测试操作,最终结果表明该算法具有良好的检测效果,可继续下一阶段的研究。第二阶段主要目的是对部件缺陷进行智能识别,其数据集来源是第一阶段部件识别的检测框裁剪而成。通过分析目标检测算法发展以及优缺点,初步选择基于Res Net提取网络的Faster R-CNN算法进行缺陷识别。通过对该算法进行训练测试,取得了一定成效,但不能很好的满足高召回的需求,且存在识别速度慢的问题。为了获得更优的检测效果,选择采用了基于Res Net网络的RFCN算法识别缺陷,去除了每个感兴趣区域进行全连接的费时操作。该算法的检测结果在召回率甚至时间上相比Faster R-CNN检测算法都有较好的提升,但其检测效果仍不能满足高效检测大批量接触网数据集的需求。所以再次采用了多尺度卷积检测算法Refine Det进行实验,该算法融合了SSD算法以及Faster R-CNN算法的优势。通过对比研究可知,该算法相比已有算法更好的提升了本次接触网数据集的检测效率。最后针对已有算法以及数据问题设计了对应的改进方案。通过分析数据集图像问题,采用了锐化以及同态滤波等预处理操作,根据实验结果可知,滤波对本数据集某些部件具有一定的提升效果;此外,根据部件测试后的缺陷问题,采用了边界框回归损失以及soft NMS改进。通过实验对比判断该算法对本数据集是否具有可行性。综合分析对比表明,本文所采用的研究方法针对接触网数据集的智能缺陷识别具有一定有效性,但仍存在一些问题,需不断加强算法,从而快速、准确的提升铁路接触网缺陷识别效率。