电网可靠运行的核心就在于电力设备的稳定运行,其中电力设备故障的快速、精确诊断是电力设备稳定运行的关键环节之一。由于现代电力设备运行环境的复杂性,导致电力设备故障具有随机性和模糊性的特点。传统的故障诊断方法仅将某种单一故障特征和模式识别算法相结合,只是从单一角度寻找最优故障分类,势必存在片面性从而影响诊断结果的可靠性。面对现代电力检修中海量的图像信息,本文开展了基于多源图像信息的电力设备故障诊断方法研究。首先,分析了以绝缘子,避雷器为代表的电力设备故障类型及特点。针对电力检修中以红外图像和泄漏电流波形图像构成的多源图像信息集,结合信息融合技术,设计了基于特征层-决策层的信息融合框架,建立了基于BP神经网络(初级诊断)和D-S证据理论(决策融合诊断)的电力设备故障诊断模型。随后在多源图像预处理的基础上,研究了绝缘子温度特征、纹理特征和泄漏电流时频域特征的提取方法,给出了不同类别特征下表征绝缘子故障状态的有效特征量,重点研究了泄漏电流时频域特征与绝缘子污秽故障之间的关系,并以这三种特征下的有效特征量构建了表征绝缘子故障状态的特征向量;在初级诊断时,针对传统BP神经网络易陷入局部最小解和学习速率慢的问题,本文分别采用了附加动态参数法和自适应学习率的改进算法来改进BP神经网络,并以此为基础设计了电力设备故障诊断的BP神经网络结构,实现了故障特征输入决策输出的目的,为下一步多决策融合诊断鉴定了基础;在决策融合诊断时,针对决策融合中的证据冲突问题,提出了改进D-S证据理论的决策融合诊断方法。通过保留相似证据,修改冲突证据基本概率赋值的方法降低证据冲突问题对决策融合结果的影响,并应用Dempster组合规则对各个证据进行决策融合,实现了故障多决策融合诊断。最后,本文将改进的BP神经网络和改进的D-S证据理论相结合的电力设备故障诊断方法应用于绝缘子、避雷器故障诊断中。实验结果表明,该方法能对绝缘子污秽、劣化和正常状态进行有效诊断,同时在避雷器劣化、受潮故障诊断中也取得了不错的效果,充分验证了该方法在电力设备故障诊断中的可行性和高效性。