绝缘内部局部放电被广泛认为是导致电气设备绝缘劣化的重要因素，与高电压电气设备运行的安全性和可靠性具有密切联系。局部放电在线监测系统中的放电类型自动识别，能够及时发现绝缘内部局部缺陷及放电发展程度，防止事故发生。针对局部放电模式自动识别的需要，作者系统地研究了局部放电灰度图象自动识别中的基本理论和实现方法：(1)从局部放电分形特征出发，研究了基本分形理论和具体分维数估计方法，首次提出了一种估计分维数的改进盒差维数法，并采用该方法估计出分形布朗运动图象和大量纹理图象的分维数，证明该方法具有较高的估计精确度，估计结果较好地反映出图象实际灰度分布情况，为研究提取局部放电分形特征方法打下了基础；(2)根据变压器局部放电在线监测的要求，设计了放电模型和实验方法，并通过模型实验获得了大量放电样本数据；在对局部放电灰度图象识别进行了比较系统的研究基础上，首次提出了局部放电二阶广义维数和高值灰度图象分维数两种分形特征及提取方法，并研究了矩特征与相关统计特征计算方法，首次提出并研究了由三种特征构成的识别特征集用于局部放电模式自动识别的方法；(3)研究了局部放电灰度图象的四叉树分形图象压缩方法，通过仿真实验证明采用本文算法能够获得一定的图象压缩比，在局部放电灰度图象压缩应用中显示了良好的压缩效果，进一步研究了局部放电解码图象的识别特征参数计算结果与原始图象之结果的差异程度，研究结果初步表明该方法应用于局部放电模式自动识别系统中是有效的；(4)首次提出了基于上述局部放电灰度图象识别特征和分形压缩方法的局部放电模式远程自动识别方案，设计了反向传播算法前馈人工神经网络分类器，并研究了识别局部放电原始图象的效果，获得了较高的识别率，通过进一步分析对解码图象的识别效果，验证了所设计系统的模式识别方案的有效性，同时表明该方案能够满足实地局部放电模式自动识别和远程数据通讯及自动识别的需要。以上研究表明，提出的局部放电识别特征集与分形图象压缩方法和人工神经网络分类器结合，能够有效地应用于局部放电模式自动识别，并获得了良好的识别效果。