Los defectos térmicos del equipo de subestación tienen un gran impacto en la estabilidad de los sistemas de energía. La temperatura es crucial para la detección de defectos térmicos en imágenes infrarrojas. Los métodos de detección tradicionales, que tienen baja eficiencia y poca precisión, registran la temperatura de las imágenes infrarrojas manualmente. En este estudio, se propone un método de detección de defectos térmicos basado en imágenes infrarrojas utilizando una red neuronal convolucional (CNN). En primer lugar, se aplica un método de preprocesamiento mejorado para reducir la información de fondo, y se localiza la región de interés según la información de contorno y posición, mejorando así la calidad de las imágenes. Luego, los valores de temperatura se segmentan para establecer el conjunto de datos (T-IR11), que contiene 11 etiquetas. Finalmente, se construye el modelo CNN para extraer características, y se entrena la máquina de vectores de soporte para la clasificación. Para verificar la efectividad del método propuesto, se adoptan la precisión, la recuperación y la puntuación F y se emplea la validación cruzada de 10 pliegues en el conjunto de datos T-IR11. Los resultados demuestran que la precisión del método propuesto es del 99.50%, y el rendimiento es superior al de los métodos anteriores en términos de imágenes infrarrojas. El método propuesto puede realizar el reconocimiento automático de la temperatura y los equipos con defectos térmicos pueden registrarse sistemáticamente, lo que tiene un valor práctico significativo para la detección de defectos en el equipo de subestación.