人工智能技术在电力巡检中的应用是重要的技术革新，特别是基于深度神经网络的目标检测技术，然而研究表明深度神经网络易受到对抗样本攻击，导致目标检测模型做出错误判断，增加电力系统的安全风险。文章面向基于深度学习的目标检测算法的对抗样本防御问题开展研究，致力于提升模型的鲁棒性的同时保持对干净样本的自然精度，提出基于对比学习复用扰动的对抗训练防御策略，利用SimCLR对比学习框架对模型进行对抗训练，使模型从特征层面学习对抗样本和干净样本的一致性，并采用复用扰动策略生成对抗样本，以提高对抗训练的效率。实验证明所提方法成功防御多种对抗攻击并保持对干净样本的精度，有效提升目标检测模型的鲁棒性，适用于在电力巡检领域面对复杂的场景时保持准确输出的能力，有效提升电力巡检的智能化水平。