在国家电力网络传输中,处于核心部件之一的输电线路长期处于野外并且分布在全国各地。在很多偏远的山区,输电线路需要翻山越岭,气候条件和天气因素对输电线路产生很大的影响。如果输电线长期处于老化或者损耗状态,往往会引发严重的输电线路事故。工作人员对山区、森林等复杂区域的输电线路进行巡检任务时,工作量较大的同时危险系数也很高。相对于人工巡检方式,低成本高效率的无人机巡检输电线路的技术得以快速发展。使用无人机对输电线路航拍巡检过程中,关键技术就在于输电线图像的检测和故障识别。因此,本文提出了一种在复杂背景环境下航拍输电线图像的检测和故障识别的方法。该方法需要对无人机航拍输电线的图像进行预处理操作,其中包括使用中值滤波和高斯滤波对输电线图像进行去躁处理,预处理最后阶段使用直方图均衡化的方法增强图像。预处理结束后对输电线图像使用改进的Edge Drawing算法对图像进行边缘检测,接着根据输电线分布简化模型在图像中搜索输电线区域边界,在输电线区域使用随机Hough变换检测输电线并利用虚假线判定机制剔除伪线段。该方法有效降低了输电线的误检率和漏检率,增强了输电线目标检测识别率。最后使用无人机巡检作业的航拍输电线图像,建立了无人机航拍输电线图像数据库,并构建了一种基于深度信念网络的输电线故障识别模型。通过大量样本的训练和多次迭代训练DBN模型,引入PReLU激活函数替代Sigmoid激活函数,并在输出层加入Softmax分类层。实验证明,本文提出的方法比BPNN、SVM和DBN-SVM方法具有更高的故障识别率。本文针对国家电网南瑞集团提供的无人机航拍输电线图像进行了实验和验证,实验结果表明本文所提方法能够准确的检测和识别输电线故障。