电缆在长期运行过程中,线路老化容易形成局部绝缘缺陷,并在此基础上引发各种类型故障。电缆早期故障是一种由于电缆绝缘存在局部缺陷形成的间歇性电弧故障,其会加速电缆绝缘劣化,严重时将导致电缆永久性损坏。由于电缆早期故障持续时间较短且具有自恢复性,继电保护装置常将其视作为一种暂态扰动,忽略了其潜在的危害。同时,电网运行中还存在有其他形式的暂态扰动,使得电缆早期故障的辨识变得更加困难。基于上述问题,本文提出一种有效的故障分类方法实现早期故障的准确辨识,主要研究工作可概括如下:（1）对电缆早期故障的相关特性进行了研究分析。根据电缆早期故障的故障电阻的时变和非线性特征,采用电弧模型对其进行等效分析。基于改进的控制论电弧数学模型,在PSCAD中搭建了电缆早期故障模型,分别在两种接地系统中对比和分析了多周期早期故障以及半周期早期故障的暂态波形特征,验证了电弧模型的有效性,通过控制参数对比实验为电缆早期故障数据的生成提供了参数修改依据;为增加故障样本的多样性,引入三种故障模型用于故障分类研究。（2）为了更准确的提取故障特征,提升故障分类模型性能,对故障特征提取方法进行研究和有效性验证。在PSCAD中搭建了10k V配电网仿真模型,通过自动化库批量仿真生成多类故障数据。针对原始故障样本数据维数大、突变特征易丢失的缺陷,提出了基于平稳小波变换的特征样本构造方法,通过提取原始样本的特征量构造出样本特征矩阵,实现对故障样本更精确的特征挖掘;为了验证所提方法的有效性和优越性,搭建三种机器学习算法模型,对比了原始样本以及特征样本的分类效果,证明了所提方法能够较大程度提升网络模型的分类性能。（3）针对机器学习算法不能挖掘故障的深层次特征的局限性,提出了基于深度学习算法的故障辨识方法。分别构建了基于卷积神经网络以及残差网络的故障分类模型。在残差网络的基础上,为了充分挖掘故障的时域和频域信息,基于分离卷积的思想改进了残差模块,并搭建了改进的残差网络故障分类模型。分别对三种模型进行训练和测试,评估结果表明,改进的残差网络模型可以实现更快收敛,并且具有更高的分类准确率。同时,抗干扰性分析结果还证明了改进的残差网络模型具有更强的鲁棒性。