电力市场的改革促使电力部门开始以用户需求为导向,向用户提供高质量与个性化的用能服务。随着智能电表的广泛应用,智能电表所记录的海量用户消费数据不仅使用能数据分析成为了可能,还为电网智能化、个性化管理创造了条件。与此同时,伴随着深度学习方法的迅猛发展,深度学习方法为提取复杂环境下的用户用能特征提供了可行方案。为进一步发挥深度学习方法在用能数据深度分析方面的作用,本文开展了基于深度学习的用户分类与用能分解研究,提出了一种基于自学习边权重的图卷积用户分类网络和一种基于改进时序卷积网络的并行非侵入式用能分解方法。本文的主要工作如下:（1）介绍了基于用户用能数据的用户分类与非侵入式用能分解的相关知识,并给出了相关问题的解决思路。此外,详细阐述了几种用于后文研究的典型深度学习方法,并剖析了不同方法的优缺点。（2）为实现基于智能电表数据和用户信息的用户分类,提出了一种基于自学习边权重的图卷积分类网络（AEW-GCN）。在该网络中,首先构建了基于注意力机制的图转化层,实现了由离散电表数据到图数据的转换与学习;其次,分别从图数据结构和图节点数据提取特征,引入带有跳跃连接的残差网络进行特征筛选,并基于筛选特征产生特征重构图;最后,构建了图卷积分类器输出分类结果。为验证该方法的分类性能,分别在两个真实用能数据集中进行对比实验。实验结果表明,所提出方法能够有效学习不同类别用户特征完成分类,并在多种对比方法中取得最优性能。（3）为在用户分类基础上实现用户用能分解,同时提高现有分解方法的性能,提出了一种基于改进时序卷积网络（DBB-TCN）的并行非侵入式用能分解方法。在该方法中,首先提出了基于峰谷区间的数据划分方法,实现了原始数据的高低耗能区间的有效分类;其次,给出了一种基于DBB-TCN的长期分解子网和一种基于卷积自编码器（CAE）的短期分解子网,通过提取设备长期与短期特征实现用能分解;最后,长短期分解子网的输出在全连接层中实现有机统一,输出网络分解结果。为证明所提出方法的有效性,分别在UK-DALE和REDD两个用能分解数据集中进行实验,并与其他现有的分解方法进行对比。实验结果表明,所提出的基于改进时序卷积网络的并行分解方法可有效实现用户用能分解,且相比其他方法拥有更好的性能。（4）对本文所提出的用户用能分析方法进行了总结,反思了相关方法在用户分类与用能分解上的不足,并对下一步的研究进行了展望。