近年来，电能质量问题已引起电力部门以及用户的广泛关注。电能质量检测是监督、改善电能质量的一个非常必要的前提，对保证电力系统的安全经济运行以及用电安全具有重要的理论和实际意义。本文重点研究了常见电能质量扰动信号的时间定位和分类问题。本文首先对国内外电能质量检测方面的研究进行总结，从不同角度描述了电能质量的定义以及分类方法，分析总结了电能质量的相关国家标准以及电能质量检测新要求和发展趋势，并给出了7种常见电能质量扰动的数学模型。然后详细地介绍了小波理论及其性质，探讨了小波在电能质量检测中的应用。重点研究了基于小波变换的电能质量扰动信号奇异性检测原理和分类特征向量的提取方法。通过仿真分析，在三维视角上直观地呈现出所提取特征向量的区分空间，验证了提取的分类特征向量的有效性。电能质量扰动信号的检测与定位为分析扰动产生的原因提供依据。文中提出了一种基于复小波的电能质量扰动检测与定位方法。该方法利用离散复小波变换，提取扰动信号的复小波系数的幅值和相位信息，再利用幅值和相位的复合信息实现对5种暂态电能质量扰动信号的时间定位。在噪声条件下该方法仍然适用，但是，当短时电能质量扰动的起止点发生在信号的幅值过零点附近时该方法将失效。针对这种情况，提出了一种辅助定位方法——对信号作小波分解与重构，获取信号低频波形，再对其使用复小波变换。仿真表明，该方法能在噪声条件下实现对电能质量扰动信号的快速准确定位。准确的识别和分类电能质量扰动对分析和综合治理电能质量问题具有重要意义。文中提出了一种基于小波和改进神经树的电能质量扰动分类方法，该方法利用小波分解扰动信号到各个频带，在基频频带、谐波频带和高频带上分别计算其能量值和小波系数熵作为特征值，另计算基波频带扰动过程的均方根作为特征的补充，融合能量、熵和均方根值作为扰动分类的特征向量，规范化后输入到改进神经树分类器进行训练和分类，改进神经树分类器是由神经网络和决策树及其分类规则构成。仿真表明，该方法提取特征值的计算量小且融合后的特征向量能够很好体现不同扰动信号之间的差异信息，构造的改进神经树分类器结合了神经网络和决策树在模式分类中各自的优点，结构简单且表现出良好的收敛性、全局最优性和泛化性，且分类准确率较高，能够有效地识别7种常见的电能质量扰动。