油浸式绝缘设备内部的局部放电是导致绝缘劣化的重要因素，在线监测局部放电信号并识别放电类型，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。本文针对局部放电模式识别的这一公认难题，分析了用于局部放电模式识别的统计识别方法和人工神经网络识别方法，对典型局部放电的人工绝缘缺陷模型进行了大量实验室模拟研究，获得大量放电样本数据，并根据实验数据分析了不同方法的识别效果。对局部放电各种指纹谱图提取特征参数的方法作了深入研究，提出用Weibull模型分析局部放电的脉冲幅值分布谱图，引入两个新的局部放电特征量尺度参数和形状参数。比较了各种参数估计的方法之后，提出用最小二乘法估计两参数的Weibull模型参数，用优化模型估计混合Weibull模型参数。对单一放电情况和混合放电情况作了详细分析，总结了各种放电类型的Weibull参数分布情况。比较了局部放电的脉冲相位分布谱图和谱图的差异，并计算了各类放电对应的统计算子95％置信区间。对上述特征参数采用聚类分析的方法来识别局部放电类型，识别结果表明新引入的Weibull参数能很好地反映局部放电类型和放电程度。在用人工神经网络对局部放电进行模式识别时，分析了BP网络的优缺点，对典型BP网络的结构和学习训练算法提出了改进，采用带有偏差单元的递归神经网络作为模式分类器。针对人工神经网络输入向量的选择问题，提出用尺度参数、形状参数、偏斜度Sk和陡峭度Ku构成的特征向量作为输入，与常用的表列数据法作了比较，结果表明这种方法有较高的识别率，且简化了网络结构，缩短了网络学习训练时间。