针对无人值守的变电站频繁出现鸟巢、塑料袋等异物入侵的问题，现有的区域卷积神经网络(R-CNN)和YOLO算法不能满足实时、准确检测识别的要求。因此提出一种基于改进YOLOv7的图像识别方法。首先，利用灰度化处理和高斯噪声增强图片数据，然后在特征提取网络中增加分支以提高小目标的检测能力。在此基础上，采用卷积块注意模块(CBAM)分支注意力机制来加强通道数和空间自适应学习能力，并在输出路径上引入SimAM注意力机制，使其在不增加参数的情况下提高模型对异物特征的提取能力，最后通过某变电站实际监控图进行算法验证。结果表明改进后的YOLOv7异物识别平均精度均值(mAP)为94.40%,比原YOLOv7mAP提升了3.69%,比Faster　R-CNN和SSD分别提高了17.46%和16.66%,可以做到对变电站异物的实时检测识别，所提方法具有较好的可行性和工程使用价值。