电力变压器进行局部放电监测是电力设备绝缘检测的重要手段,它能够正确、及时地发现电力设备的故障状态,对电力设备安全、经济运行具有十分重要的实际意义。如何在强烈的噪声环境中检测出微弱的局部放电信号是实现局部放电监测的关键,因此局部放电干扰信号的识别与抑制是急需解决的重点、难点问题。传统的识别局部放电干扰信号的手段主要是依靠实验人员的经验来判断局部放电干扰信号的类型,缺乏有效性。由于局部放电信号是一种非平稳的时变信号,传统的信号处理方法在处理这种信号时往往缺乏良好的时频局部化特性,难以从噪声环境中提取出有效的局部放电信号特征。对此,本文的主要研究内容为：采用时域、频域分析与BP神经网络的方法,识别连续的周期窄带干扰和白噪声干扰。首先本文对电力变压器的局部放电类型和干扰信号类型进行图谱分析研究。然后采用时域、频域的分析方法提取连续的周期窄带干扰信号和白噪声干扰信号的特征量,通过BP神经网络建立识别分类器,识别连续的周期窄带干扰信号和白噪声干扰信号。在依靠实验人员经验的基础上,辅助提高识别效率。采用自适应广义数学形态学的方法,抑制连续的周期窄带干扰信号和白噪声干扰信号。由于连续的周期窄带干扰信号和白噪声干扰信号属于宽频带信号,本文利用数学形态学处理其信号有幅值不偏移、相位不衰减、数据窗短、处理速度快等优点,首先采用了数学形态学滤波算法。然而由于形态开的反扩展性和形态闭的扩展性,数学形态学滤波以后存在统计偏倚现象,继而采用了广义数学形态学滤波算法。最后为了要达到更好的滤波性能,要求所选用的结构元素应该具有自适应调节的能力,则采用了一种自适应广义数学形态学滤波算法,通过选取不同长度的结构元素和设置最优控制收敛参数,取得了更好的滤波效果。仿真分析表明,BP神经网络识别分类器能够加快识别连续的周期窄带干扰信号和白噪声干扰信号。自适应广义数学形态学能有效、快速、准确地抑制连续的周期窄带干扰信号和白噪声干扰信号,对提高电力变压器局部放电监测的灵敏度具有十分重要的现实意义。