非介入式负荷辨识是一种通过低成本、低风险、高可行性、易维护的高级量测方案对用户内部的负荷进行监测与辨识的技术。通过对进线端主电表的电气特征的量测与分析,非介入式负荷辨识算法能够间接地对用户内部的负荷情况进行评估。非介入式负荷辨识分为两类,一类是与节能用电与智能配电息息相关的面向能耗监控类负荷辨识,这一类问题主要对用户内电器的能耗进行细粒度分析;另一类是电弧事故进行及时阻断的面向故障检测类负荷辨识,这一类问题则是对用户内部是否发生电弧进行判断,对异常负荷进行迅速辨识。本文对两类非介入式负荷辨识问题进行了建模,并对辨识算法中的深度神经网络算法进行了深入研究,主要成果如下:首先,本文从非介入式负荷辨识问题的问题性质出发,提出了一种新颖的基于膨胀卷积的多感受野融合残差网络。该网络能够在网络层数增加、网络辨识效果提高的前提下杜绝梯度消失与梯度爆炸的现象发生;另外,该网络还从卷积的角度利用其并行性优化了对时序问题的传统处理方式;其外,本文提出的新颖多感受野结构能够对输入特征图进行多尺度、自适应性的特征学习。本文详细地阐述了网络的特点,并在两种非介入式负荷辨识问题下提出了两种各自具有针对性的网络结构。然后,本文对面向能耗监控的非介入式负荷辨识问题进行了算例设计。通过使用权威的公开数据集UK-Dale,本文详细阐述了神经网络训练集、验证集与测试集的构建,并对数据的筛选与预处理规则进行了说明。另外,本文描述了损失函数,引入了多个同领域下的主流网络,并在同一数据集与评价指标上对这些网络与本文提出的新颖网络进行了对比实验。本文提出的网络在五种电器的F1值与MAE上均超过了其他网络,并在空间复杂度与时间复杂度上都具有良好的表现,证明了该网络的优越性。最后,本文对面向故障检测的非介入式负荷辨识问题进行了算例设计。同样地,通过使用权威的公开数据集IAED,本文详细阐述了神经网络训练集、验证集与测试集的构建,并对数据的预处理规则进行了说明。类似地,本文描述了损失函数,对图像分类领域的主流网络进行引入,并在同一数据集上对多个网络进行对比实验。最终本文提出的网络在高采样频率混合分组与低采样频率混合分组上分别取得了最高的94.16%与87.59%,在一些单个的负荷类型上也有良好表现,证明了该网络的优越性。