由于变电站电力设备种类多、设备之间连接关系复杂，普遍存在设备位置和图像对比较为单一，实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题。本文将CNN(卷积神经网络,Convolution Neural Network)与Transformmer结合组成新模型进行变电站电力设备的分割，提出了一种基于编解码器结构的新型SE-Transfomer（Substation Equipment Transformer）网络。为了获取局部上下文信息，编码器首先利用CNN提取空间特征图。同时，对特征图进行了精心改造，多尺度特征输入进行全局特征建模。该解码器利用Transformer提取全局深层特征，并进行逐步上采样来预测详细的分割图。SE-Transfomer在山西省梁家庄变电站数据集上进行广泛实验，其纵向结果的Dice系数(Dice)、召回率(Recall)、特异度(Specificity)和均方根误差(RMSE)分别为89.31%，90.52%，89.62%和11.32，这一结果说明SE-Transfomer在变电站电力设备的扫描上获得了与以往最先进的分割方法相当或更高的结果。