新能源的大量并网以及电力负荷的多样性,都导致了许多电能质量问题。为了观测电网的运行情况,保证电网的高质量供电,必须采取有效的信号处理方法进行电能质量分析。在此背景下,本文主要围绕电能质量事件参数检测和扰动分类两个方面进行了研究。为了检测电力扰动的幅值、持续时间等关键参数,本文选取4层Db4小波包算法,针对电压暂升和脉冲暂态信号进行了分析。通过Matlab仿真实验证明该算法能有效检测暂态扰动信号的关键参数,具有相当高的检测准确度(≥99.9%)。另外,针对稳态谐波检测,本文提出了一种基于希尔伯特变换的改进小波包变换算法,改进算法通过希尔伯特变换做移频运算,避开小波滤波器混叠泄露严重的频段,从而提高了谐波检测的整体精度。实验验证了改进算法能使各次谐波测量误差均保持在0.01%以下,有效提升了小波包算法的测量精度。文章还研究了扰动事件识别与分类问题,包括信号特征提取和扰动分类两个方面。首先,选用4层Db4小波包算法,结合适当的数学统计方法进行特征提取,随后,用遗传算法进行特征选择,提出了一种基于Pearson相关系数的适应度函数定义方法,作为寻优过程中的特征选择评价指标,以低维特征向量集对信号进行特征表达。最后,利用随机森林(RF)算法对信号特征进行扰动分类,并提出一种改进人工鱼群算法,用于RF的关键参数优化。仿真实验证明,经过参数优化的随机森林算法能保持较高的分类性能,同时有效提升了其分类效率。此外也通过IEEE数据库的实测信号对本文提出的特征选择及扰动分类方法进行测试,得到了较为准确的扰动分类结果。