在建设智能化电网、推动电网透明化的大背景下,利用负荷监测技术获取各用电设备的小粒度运行状态信息是实现能源监控,促进高效节能的一种有效方法,其中非侵入式监测技术以其非入户、易于维护等优点逐步取代侵入式监测。非侵入式负荷辨识及综合评价方法研究成为近年来电力信息量测领域的热点研究方向之一。本文以非侵入式负荷监测技术为背景,首先分析不同类型负荷特征的差异,建立负荷特征标签;其次,针对部分典型的家用负荷,利用深度学习神经网络技术,研究非侵入式负荷辨识算法;最后,分析现有的算法评价指标,构建一种综合评价方法对比分析各类算法优劣。主要研究内容和工作如下:（1）首先提取负荷的V-I轨迹图像作为负荷特征并采用图像二值化方法进行数据增强。为了保证不同负荷之间的平衡性,每类负荷所选样本数与样本数最少的负荷一致,然后按照一定比例随机分配训练集和测试集。其次,构建Le Net卷积神经网络,利用训练集对Le Net网络进行训练直至收敛。最后以训练误差最小为准则保存最优模型并对测试集进行测试,验证其识别效果。（2）为了解决小样本下负荷识别性能不理想等问题,从数据扩充和迁移学习两个方面进行改进。在数据扩充方面,采用合成少数类过采样技术对“少数类”样本进行扩充,比较研究样本数目的增加对网络识别性能的影响。在迁移学习方面,首先采用超大型数据集Image Net对Goog Le Net网络进行预训练,然后将预训练模型的网络权值通过迁移学习技术迁移至本文的任务中,实现对负荷V-I轨迹图像集的识别,并对比分析其对提升识别结果的作用。（3）针对准确率等单一因素在评价算法时存在片面性和差异性等问题,本文基于上述改进算法提出一种基于集成权重的逼近理想解排序方法。首先从识别结果、应用性能等多方面选取6种评价指标构建评价体系;其次,集成层次分析法和变异系数法为所有指标分配权值,在兼顾各指标数值的客观规律的同时满足实际应用中的主观需求;最后,采用逼近理想解的排序方法衡量各算法与理想解之间的距离,实现综合排序。为了验证本文提出的综合评价方法的有效性,基于上述五种算法进行实验,并对比分析了指标个数与组合对评价结果的影响,结果表明该方法能够为非侵入式领域中算法综合评价体系的构建和研究提供一种新的解决方案。