局部放电(Partial Discharge, PD)一直以来都是电力变压器绝缘劣化的重要原因,近年来由于电力设备的电压等级和装机容量的提升,对局放的监测就显得尤为重要。变压器绝缘问题引起的设备故障占总体故障的80%左右,对局放数据的检测以及故障识别和状态检测都成为变压器状况监测的主要方法之一。由于变压器结构复杂,可能出现多种放电类型,每种类型的破坏作用和危害程度也不尽相同,所以对放电类型的辨识,可以更好的维护变压器健康的运行。本文基于变压器局部放电的原理及特性,主要完成了以下研究工作：建立变压器内部局部放电IEC60270标准的检测系统,采用脉冲电流法综合检测系统,比较分析不同检测方法的检测性能,建立变压器内部悬浮放电、针板放电、沿面放电以及气隙放电等四种绝缘缺陷的放电信息数据库。通过基于相位分析的统计特征参数和基于时间分析的分形特征参数两种主要分析模式,研究不同分析模式下,数据信息之间的相关性与差异,并在此基础上提取灰度分形特征和交叉小波谱特征进行识别。提出了二叉树结构多分类支持向量机(SVM)的最优学习方法,利用PRPD、TRPD、灰度分形和交叉小波谱4种特征向量,对SVM进行训练和验证,分析了不同的模型参数对支持向量机性能的影响；并采用骨干粒子群优化算法对核参数进行优化,比较并建立了支持向量机性能评价指标,初步建立了PD故障识别系统。提出了最优半径超球面支持向量机结构(Optimal Radius Hypersphere SVM, ORH-SVM)。超球面支持向量机(H-SVM)解决了传统超平面SVM对边界样本漏分的问题。在该算法的基础上,本文提出了最优半径优化方法,并建立了基于ORH-SVM算法的放电模式识别系统,提高了分类精度。研究并建立基于多分类组合核支持向量机(CKM-SVM)的局部放电模式识别模型。实现了对4类特征空间完整的多分类映射并实现直接多分类的识别系统。该模型融合了局部放电多组特征进行分析,对4个核函数进行寻优配置,并通过骨干粒子群优化算法对核参数进行优化,在提高识别精度的同时,大大缩短了学习和分类所需要的时间。建立了基于DS证据理论(Dempster-Shafer theory)的综合多信息融合辨识系统,解决了在某些样本中存在的,基于同一缺陷的不同放电特征得出冲突结论的问题,依据数据源的可靠性及数据特性,多信息融合辨识系统有效提高了辨识结论的稳定性和可靠性。