随着“碳中和”政策的不断推进,新能源发电并网日益增多,随之带来的各种非线性电力电子元件的广泛应用使得电力系统电能质量扰动问题日渐突出,供电质量面临严峻挑战,快速检测与识别电能质量扰动信号对电力系统安全稳定运行以及电能质量治理有着重要意义。本文基于深度学习具有高效处理海量数据以及自动提取特征的优势,借助深度学习展开研究,论文的主要工作如下:（1）阐述电能质量扰动检测与识别的研究背景与意义,调研国内外研究现状。概述电能质量相关问题,包含相关定义、标准以及分类依据,仿真建立7种单一扰动以及6种复合扰动,建立扰动数据集,为后续工作提供基础样本。（2）针对深度学习网络加深会出现网络退化甚至不收敛的问题,提出了基于改进残差网络的电能质量扰动识别方法,利用卷积层对基础扰动样本进行特征提取,经过激活函数层、池化层、全连接层等对电能质量扰动信号进行分类。深入研究了残差网络模型,利用残差块加深网络层次,通过仿真实验对比,探究残差网络最优配置,包含残差块数量、学习率、激活函数、批尺寸大小等。研究结果表明,相比较传统卷积神经网络（CNN）,改进后的残差网络具有更好的分类识别率以及稳定性。（3）为解决单尺度卷积特征表征能力不强的问题,提出了基于多尺度融合选择卷积神经网络（MSS-CNN）的电能质量扰动识别方法。利用不同尺度的卷积核进行卷积操作,提取不同感受野下的全局特征和局部特征,丰富样本特征,采取全局平均池化,不同尺度下得到的最大权值特征值进行融合,输出新的特征图,最终通过全连接层进行扰动信号的分类。同时引入实测数据,验证该模型的有效性。实验结果表明,MSS-CNN具有很高的分类准确率,在30d B的噪声下,平均识别率仍可达到99%,充分证明了MSS-CNN抗噪性能优异。（4）为解决样本少导致分类效果差的问题,提出了基于深度卷积生成对抗网络（DC-GAN）的电能质量扰动数据增强方法。DC-GAN将CNN引入生成对抗网络中,提高生成对抗网络的鲁棒性。通过生成模型与判别模型博弈训练,生成模型负责学习真实电能质量扰动数据的概率分布,生成新的扰动数据集,再利用CNN作为判别器和分类器,得到扰动数据集的正确率和测试集数据分类准确率,实验表明,DC-GAN能有效学习扰动样本的概率分布,提升扰动数据分类的准确率。本文从解决网络退化、不收敛以及单尺度卷积特征表征能力不强的角度研究,提出了改进残差网络与多尺度融合选择卷积网络模型,模型具有较高的识别率。针对扰动数据过少问题,提出了DC-GAN的电能质量扰动数据增强方案,能有效扩大样本数量,能够很好地解决电力系统真实数据不足的情况。