高压输电线常采用无人机或是电力机器人进行巡检;使用无人机取代人工将电力机器人吊装到电线上,能够节省大量时间和成本;近年来直升机或无人机与电线碰撞的事故经常发生,造成人员伤亡和财产损失。无论是电力线上的智能化作业还是低空飞行器的输电线路预警机制,都需要一套输电线路的识别定位系统。传统的视觉算法在复杂场景下检测细长输电线的准确率低,受环境因素干扰大;现有的基于深度学习的电线语义分割算法效率不高。针对这些问题,本文基于编码-解码结构的全卷积神经网络和双目视觉提出了一种适用于移动端运行的电线识别定位算法,该算法以移动端GPU和双目相机作为硬件平台。文章的主要研究内容如下:（1）提出了一种适用于移动端运行的编码-解码结构的全卷积神经网络模型Power Line Net。该模型整体网络结构精简,参数量小;采用了适用于电线分割的上采样方式和损失函数;引入了一种注意力模块,在对效率影响很小的情况下,进一步提升模型的电线识别性能。此外,还构建了一个拥有复杂背景、不同光线情况的输电线数据集用于训练和测试模型,并重新标注了一个公开的输电线数据集来验证模型的泛化性能。与现有的电线识别模型相比,Power Line Net在Jetson TX2上的识别速度达到了8.0FPS,提升了一倍;在不同的分割评价指标上都有更好的表现。（2）由于图像中的电线宽度小,只有5-10个像素,传统的双目视觉特征匹配算法难以提取电线上的特征用于视差计算。针对这个问题,首先在左右视图中进行电线检测,然后对图像后处理来提取电线轮廓,最后根据左右视图轮廓上像素的平均视差来进行电线的定位。（3）开发了一套输电线路识别定位软件系统。该系统集成了Power Line Net算法模型以及双目视觉算法,具备电线检测和电线定位等功能。最后通过实验验证了该系统各功能,具备一定的应用价值。