输电线路关键部件的缺陷检测对于电网安全运行至关重要，传统方法存在效率低、准确性不高等问题。本研究探讨了利用深度学习技术进行输电线路关键组件的缺陷检测，目的是提升检测的效率与准确度。选用了YOLOv8模型作为基础，并通过加入CA注意力机制与C2f-Fasternet模块，同时优化了损失函数，以强化模型性能。CA注意力机制可以更全面地捕捉特征图的通道和空间相关性；C2f-Fasternet模块采用了更简单的卷积方式，减少了计算冗余；损失函数的优化考虑了边界框回归的多个因素，提高了收敛速度和精度。在自建的输电线路关键部件缺陷数据集上进行了实验。该数据集包含绝缘子、鸟巢和防震锤三类缺陷，共3696张图片。通过消融实验，验证了各改进方法的有效性，改进后的模型在mAP@0.5指标上达到98.2%，比原始YOLOv8模型提高了0.7%。与其他主流单阶段目标检测器相比，改进后的模型在精度和速度方面都有优势，在实验GPU设备上可达到每秒处理149帧的推理速度。本文的研究表明，改进后的YOLOv8模型在输电线路关键部件缺陷检测任务中具有优异的性能，为实现高效、准确的缺陷检测提供了有效的解决方案。