气体绝缘全封闭组合电器（Gas Insulated Switchgear,GIS）是电力系统的核心设备之一,该设备采用SF6气体而不使用大气压下的空气作为绝缘介质,是一种金属全封闭的开关设备。该设备起着保护和控制电路的作用,变电站的其他设备均受到其控制和保护,因此它是电力系统正常运转的重要保障。据统计数据显示,GIS的机械故障占所有故障类型的39%左右,是最为常见的一种故障类型。当该设备产生故障后,变电站需要停电检修,给人民的生产生活带来了极大的影响。因此,对GIS设备的机械故障进行相关试验与研究是必要的。本文首先在实验室搭建GIS机械缺陷模型,通过多次试验来学习声源定位仪器、振动检测仪器、X射线成像仪器的使用。在研究GIS设备振动机理的基础之上,不断分析声学数据和振动数据,掌握了如何去寻找设备故障发生点的方法。然后利用X射线成像系统去拍摄该故障点的透视图像,考虑到设备元件的复杂性,应当首先实现不同元件的识别,其次实现不同元件的故障诊断。在分析和比较了 X射线图像之后,提取了能够区分断路器吸附剂罩处和管母焊接处这两类图像的不变矩特征和纹理特征,然后将这些特征送入到神经网络中用来训练元件识别模型,最后通过使用局部阈值法等图像处理技术对管母焊接处进行了故障诊断。最终结果证实,与卷积神经网络模型相比,本文提出的元件识别模型的泛性更高,在小样本情况下可以得到更好的识别效果,在管母线焊接处可以检测到焊接时遗留下的斑点,并在原X射线透视图像上对焊接斑点进行了标记。依据存在焊接斑点即视为故障发生的判断原则,最终结果不影响对管母焊接处的定性诊断。从而达到辅助工作人员进行故障诊断的要求。利用振动和图像数据来进行自动化诊断设备故障,不仅节约了时间和人员资源成本,同时能确保诊断的准确性,避免了工作人员的主观干扰,及时给出设备的维修方法。本文吸取相关研究人员的经验,使用图像处理、神经网络以及模式识别等技术,实现了对断路器吸附剂罩处和管母线焊接处的识别、并对管母线焊接处的焊接斑点进行标记,为工作人员在进行故障检测时提供帮助。