电力是支撑社会运转的最主要、最直接的能源,变压器则是输送电力的关键设备之一。研究变压器的故障诊断技术,及时发现早期隐藏故障,就能降低停电风险,减少经济损失。目前对油浸式电力变压器的检修技术主要是按计划检修,未能真正实现按状态检修,故研究变压器故障诊断技术,对保障电力系统的长期稳定运行具有重大意义。本文以油浸式电力变压器为研究对象,用油中溶解气体分析（Dissolved Gas-in-oil Analysis,DGA）数据表征变压器故障信息,使用机器学习算法对变压器进行故障诊断,并针对样本不足、样本不均衡问题,做出改进,最后结合课题合作单位的实际需求,开发了数据驱动的智能油浸式变压器故障诊断系统。本文主要研究内容如下:（1）针对变压器故障诊断算法实际应用时采集到的样本数据不足的问题,提出一种在小样本情况下应用的基于隐马尔科夫模型（Hidden Markov Model,HMM）的变压器故障诊断算法,并对HMM的训练算法进行改进,提高了算法的实用性,并通过与支持向量机（Support Vector Machine,SVM）算法、决策树算法进行对比实验,证明了该算法在小样本条件下,拥有更高的诊断正确率。（2）针对变压器故障诊断算法实际应用时采集到的样本数据类不平衡的问题,将改良的人工合成类过采样（Synthetic Minority Oversampling Technique-Tomke Links,SMOTE-Tomke Links）算法应用于变压器故障诊断中,使用该算法对不平衡样本数据进行预处理,能在改善数据不平衡性的同时降低数据噪声的影响,为训练故障诊断模型打好数据基础。（3）提出一种麻雀搜索算法（Sparrow Search Algorithm,SSA）优化反向传播神经网络（Back Propagation Neural Network,BPNN）算法的变压器故障诊断算法。该算法使用SSA算法对BPNN的初始权值和阈值进行全局优化,结合SSA算法的全局寻优能力和BPNN强大的自主学习和非线性映射能力,避免了BPNN的局部极小化问题,提高了故障诊断正确率。实验表明,该算法与粒子群（Particle Swarm Optimization,PSO）优化BPNN、蝙蝠算法（Bat Algorithm,BA）优化BPNN的变压器故障诊断算法相比,参数的寻优速度更快,故障诊断正确率更高。（4）结合以上研究,本文设计并实现了油浸式变压器故障诊断系统,实现了多种功能模块及其图形界面,结合数据库和变压器故障智能诊断算法,实现了数据驱动的油浸式变压器故障诊断。本文的油浸式变压器故障诊断系统,考虑了工程实际中的小样本和不平衡样本情况并提高了故障诊断精度,能对油浸式变压器进行快速简便的故障诊断,实现了油浸式电力变压器的按状态检修,这能节约变压器的检修资源,对保障电力系统长期稳定运行具有一定的工程价值。