自动化和智能化程度的不断发展,电能已然成为人类必不可少的一部分。用户对于优质电能的需求越加迫切,随之而来的电能质量问题亦越来越被重视。电能质量扰动准确识别是快速有效解决电能质量问题的前提。本文提出了一种基于改进多尺度反向色散熵（Improved Multiscale Reverse Dispersion Entropy,IMRDE）和麻雀搜索算法（Sparrow Search Algorithm,SSA）优化随机森林（Random Forest,RF）的电能质量扰动模式识别方法,主要从信号预处理、特征提取以及模式识别三个方面展开深入研究。首先,针对实际电网中通常会掺杂不同程度的噪声,进而影响电能质量扰动识别准确率的问题,提出一种基于正则化线性调频模式追踪（Regularized Chirp Mode Pursuit,RCMP）算法结合非局部均值（Non-Local Means,NLM）去噪算法的信号消噪方法。RCMP算法能有效解决模态混叠问题,并利用希尔伯特变换获取初始频率信息,具有自适应性。为了保留信号中更多有效信息,对分解得到的噪声主导分量利用NLM去噪算法进行滤除噪声处理。最后通过重构信号主导分量和滤除噪声后的模态分量获得去噪信号。在仿真信号和电能质量扰动信号的去噪实验中,相比于其它方法,本文方法的降噪效果更优,并适用于处理电能质量扰动信号。其次,为了进一步挖掘电能质量扰动信号的更深层次的扰动特性,在多尺度反向色散熵（Multiscale Reverse Dispersion Entropy,MRDE）的理论基础上,借鉴精细复合多尺度思想,提出一种新的时间序列复杂度度量方法,即改进多尺度反向色散熵（IMRDE）方法,并通过实验证明了改进方法的优越性。引入IMRDE方法,提出一种基于IMRDE的电能质量扰动特征提取方法,并通过对比实验证明了该方法的可行性和优越性。最后,针对随机森林的子决策树数量和子特征集特征数目难以确定并对其分类性能影响较大的问题,提出一种基于麻雀搜索算法（SSA）优化随机森林（RF）的电能质量扰动模式识别方法。并通过各种优化RF模型的对比实验,验证了SSA-RF模型的优越性。为了研究本文提出的基于IMRDE和SSA优化RF的电能质量扰动模式识别方法对实际工程信号的分类效果,采用承德市某钢厂实测电能质量数据作为实验对象,并通过与最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）、极限学习机（Extreme Learning Machine,ELM）这两种常用模式识别方法进行对比实验,验证了本文方法的实用性和可行性。