针对传统的视觉算法在复杂场景下检测细长电力线准确率低、受环境因素干扰大，现有基于深度学习的电线检测算法效率不高的问题，提出一种适用于移动端电力线检测的端到端全卷积神经网络模型。首先，采用一种对称的编码-解码结构，其中编码部分使用最大池化层进行下采样，以提取多尺度特征，而解码部分使用最大池化索引的非线性上采样方式逐层融合多尺度特征，以恢复图像细节；其次，针对电线像素与背景像素不平衡的问题，采用了一种加权损失函数来训练模型；最后，构建了一个背景复杂且有像素级标注的电线数据集来训练和评估模型，并重新标注了一个公开电线数据集作为不同源测试集。与现有移动端电线语义分割模型Dilated ConvNet相比，所提模型在移动端设备GPU NVIDIA JetsonTX2上对于512×512分辨率的图片的预测速度提升至Dilated ConvNet的两倍，达到8.2 frame/s所提模型在同源测试集上的平均交并比（mIoU）为0.857 3，F1分数为0.844 7，平均精度（AP）为0.927 9，这三个指标分别提升了0.011、0.014和0.008；所提模型在公开测试集上的mIoU达到0.724 4，F1分数达到0.634 1，AP达到0.664 4，这三个指标分别提升了0.004、0.007和0.032。实验结果表明，该模型具有更好的移动端电力线实时分割性能。