局部放电(Partial Discharge,PD)是电气设备绝缘老化的外在表现形式,PD检测是评判电气设备的绝缘状态、及时发现设备内部缺陷的重要手段。去噪与模式识别是PD检测与分析的关键环节。本文以奇异值分解(Singular Value Decomposition,SVD)为基础,理论分析了典型放电信号与干扰信号的奇异值的特点,利用不同信号奇异值的差异性、奇异值在反映矩阵固有特征上的良好稳健性、奇异值对噪声的扰动变换不敏感等特点来完成PD信号的去噪与模式识别工作。在窄带干扰的抑制方面,本文提出一种基于Hankel矩阵与奇异值分解的局部放电窄带干扰抑制方法。该方法选取Hankel矩阵作为轨迹矩阵,根据窄带干扰的奇异值是其频率个数的2倍且大于PD与白噪声的奇异值的特点,利用奇异值差分谱法确定窄带干扰的奇异值有效阶次,进行窄带干扰的重构;再将重构的信号与原始信号相减,完成窄带干扰信号的抑制。通过对染噪的仿真信号与实测信号进行去噪处理,验证了该方法抑制窄带干扰的有效性。在白噪声抑制方面,本文根据白噪声在S变换域服从?~2分布且其平均功率谱与频率成正比的特点,提出一种基于S变换与奇异值分解的局部放电白噪声抑制方法。该方法将S变换的时频矩阵作为轨迹矩阵,利用SVD确定PD信号放电的时间与个数;然后采用硬阈值法对时频矩阵进行处理,完成一次去噪;之后再利用SVD完成二次去噪。通过对染噪的仿真信号与实测信号进行去噪处理,验证了本文方法抑制白噪声的有效性。在PD的模式识别方面,本文提出一种基于奇异值分解与概率神经网络的局部放电信号识别方法。该方法利用PD发生的时间内可以用较少的奇异值反映PD信号有效信息的特点,选取典型放电的前8个奇异值的奇异值能量百分比作为特征向量,通过GA-PNN很好地实现了电缆4种不同类型PD信号的模式识别。