变电站内的高压断路器对维护电力系统的稳定意义重大 , 其分合状态直接控制着高压线路和电气设备的运行工况 。 针对现有变电站断路器分合状态识别精度低 、抗噪性弱 、计算效率低等问题 , 提出 了 一种基于轻量化卷积神经网络(MobileNet)的变电站高压断路器分合状态检测方法 ,采集多种复杂场景下的高压断路器分合状态图像 ,构建检测数据集 ,并进行模型的训练和验证。实验结果表明 ,MobileNet模型在识别高压断路器“分 ”“合”状态时 ,准确率高达96. 25% ,精准率、召回率均显著优于SVM、朴素贝叶斯等经典的二分类模型 ,可为变电站断路器状态的自动化检测提供理论支持。