对气体绝缘开关设备(gas　insulated　switchgear,　GIS)典型部件的目标识别和温度提取是实现对设备发热状态红外智能检测的关键。文中提出一种基于混合域注意力机制(convolutional　block　attention　module,　CBAM)的改进YOLOv4算法，可实现对GIS母线、隔离开关等部件的快速目标检测和热点温度提取。首先，在某变电站现场采集原始红外图像，对图像进行锐化处理和部位标记，构建包含GIS典型部件的红外数据集。然后，利用深度可分离卷积网络降低模型参数量，并融入CBAM优化模型的识别能力，在此基础上构建基于改进YOLOv4的GIS红外部件目标快速检测算法。最后，采用灰阶差值方法对检测到的GIS典型目标部件进行热区温度值提取。结果表明，所提算法在GIS红外特征数据集上可以达到每秒31.5帧的识别速度和82.3%的识别准确率，明显优于其他目标算法，且GIS各部件的温升计算值与实测值误差在±1℃内。该算法可部署在无人机和巡检小车等边缘智能终端，实现对现场GIS设备温升状态的精细化识别和快速诊断，提升GIS设备健康状态管理数字化和智能化水平。