针对当前变电站电力设备缺陷类型复杂、目标尺度多变以及背景干扰的问题，提出一种面向变电站设备缺陷检测的深度特征感知方法。首先设计了一种基于滑动窗口机制的C2f+模块，使得主干网络能够有效地处理跨窗口特征信息，并扩大网络的感受野，加强网络对局部特征的深度关注和全局特征处理能力。然后，整合SimAM 到网络的特征融合阶段，赋予网络自主学习和动态微调注意力权重的能力，以提高对多尺度缺陷的感知性能。其次，为避免不同尺寸和形状的设备缺陷引入的检测误差，设计了一种融合NWD和CIOU 的损失函数，通过对预测框和真实框的二维高斯分布建模，提高模型对缺陷位置的学习能力。在变电站设备缺陷数据集上的实验结果表明，所提方法对11 种缺陷类别的平均检测精度mAP 达到了98.27%，且在9 种缺陷检测中的实现了最佳精度，优于其他6 种主流的目标检测方法和电力设备缺陷检测方法。同时，FPS 达到了78.4，具有较高的实时性能。