电能是一种最为广泛使用的能源，随着电力电子器件在电力系统中的广泛使用，电能质量问题已经越来越受到人们的关注。对电能质量进行快速的检测和准确的分类，进而进行有效的治理是提高用电效率的重要途径。　　 本文分析了国内外电能质量研究现状，基于信号的函数分解理论和基函数神经网络理论，以Walsh函数系作为神经网络的神经元激励函数，提出了一种自适应确定隐神经元数及修改权值的自适应Walsh基函数神经网络时频分析方法。在此基础上采用加滑动窗的方法，根据不同时刻不同基上的权值能量分布信息检测电能质量扰动的特征，实现对电力扰动的实时检测。本文首次运用从各个基频带上能量分布的特征的方法引入电能质量扰动检测的研究。在实验仿真中，以Walsh基与切比雪夫基做比较，发现Walsh基具有明显的数据压缩性，Walsh基函数神经网络有较好的逼近能力和滤噪特性。通过与自适应高斯基基函数神经网络方法的比较，带滑动窗Walsh自适应基函数神经网络算法对于电力扰动信号的实时检测效果较好。仿真结果验证了算法的可行性。　　 电力系统间谐波问题在电能质量中越来越引起更多的关注，而对间谐波参数的准确测量成为首要问题。在实际电力系统中，电力信号大多是由多个指数衰减的叠加信号和一些噪声组成。本文提出一种新的适用于多个叠加的指数衰减信号参数估计的方法。该方法首先由指数衰减叠加信号数学模型和均匀采样的样本构造非线性方程组，然后应用改进的Levenberg-Marquardt算法求解该非线性方程组，通过迭代优化目标函数，从而求解非线性方程组。仿真实验表明，本文算法是可行且有效的，利用该算法能以非常高的精度同步求解各个指数衰减信号模式的幅值、衰减因子、角频率等。