近年来,电气化铁路获得越来越广泛的应用,接触网中绝缘子的工作状态对电气化铁路的正常运行具有非常重要的意义。由于绝缘子长期暴露在野外中,极易出现自爆、破损和闪污等安全事故。因此其安全检测十分必要。传统的人工巡检方式既浪费人力又不一定能取得良好的效果。本文利用图像处理技术对在复杂背景下的绝缘子进行识别,进而识别出有缺陷的绝缘子。首先以实验室模拟复杂背景下的绝缘子照片作为实验图片,由于拍摄的图像存在噪声,光线不均匀等问题,所以首先对实验图片进行预处理,主要包括图像灰度化,去噪滤波等步骤,使图像特征更加明显。其次针对Harris角点匹配算法的局限性,提出了SURF描述算子与角点匹配结合的改进算法进行图像特征点提取和匹配。通过实验对比发现,与SURF描述算子结合的角点匹配算法能够很好的识别出复杂背景下的绝缘子。同时本文还提出了基于感兴趣区域识别的绝缘子提取算法,经实验发现,该方法能避免阈值分割存在较多的伪目标以及过分割缺点。最后在绝缘子分类方面,由于BP神经网络在学习过程中容易陷入局部极小值,迭代次数多的缺点,本文运用了粒子群优化的BP神经网络,通过实验分析,PSO-BP神经网络在绝缘子图像分类方面,其运算速度,分类正确率等方面均优于BP算法。在一定程度上解决了人工检测破损绝缘子工做效率低,容易漏检错检的问题。