我国已经建成世界上规模最大、运行工况最为复杂的交直流混联电网,交直流混联电网具有强大的输电能力,对我国能源和负荷在地域上存在的“源荷分布不均”问题起到极大的缓解作用,已成为电网发展的新形态。由于交直流混联电网结构复杂,当线路某处发生故障时,极易发展为大范围的事故,交直流混联电网的安全稳定运行一直是电力领域重点关注的问题。本文针对交直流混联电网的故障诊断问题展开研究,在现有故障诊断方法的基础上,研究基于深度学习的交直流混联电网故障诊断方法。本文首先分析了电网故障诊断的国内外研究现状,总结了常用于电网故障诊断的人工智能算法。通过分析现有故障诊断方法的优势与不足,重点研究基于深度学习的交直流混联电网故障诊断方法。其次,介绍了交直流混联电网的基本组成和运行方式,对交直流混联电网的主要故障工况进行了分析,并在MATLAB/Simulink软件中搭建了交直流混联电网仿真模型,通过模拟不同故障工况,采用批量化仿真方法得到包含多种故障工况的大量故障样本,并对故障数据样本进行了预处理,用于验证下文所提算法的故障诊断性能。随后提出了一种基于深度学习融合网络（Deep Learning Convergence Network,DLCN）的交直流电网故障诊断方法,深度学习融合网络由底层自动编码器和高层卷积神经网络堆叠而成,实现了网络对故障特征的自提取,形成了样本特征与故障情况的映射关系,减少了人为因素对故障诊断结果的影响。测试结果表明,所提方法具有强大的故障特征提取能力,对电网不同故障线路和故障类型的诊断结果准确,实现了对电网的故障诊断。然后,提出了基于门控循环单元（Gate Recurrent Unit,GRU）的交直流电网故障诊断方法,从时序性角度分析了GRU应用于电网故障诊断的优势,并对GRU的网络参数进行了调试,网络对测试集样本的分类结果显示,GRU对电网故障样本具有很强的故障诊断性能,其得到的故障诊断精度优于其它循环神经网络,且几乎不受过渡电阻大小和不同故障工况的影响。上述深度学习方法需要经过大量样本训练后才能形成最优网络,但实际电力系统中故障样本数量较少,难以将深度学习网络参数训练至最优。因此本文最后研究了基于迁移学习（Transfer Learning）的交直流混联电网故障诊断。本文提出了一种将深度学习网络用于样本较少电网的故障诊断方法:将训练好的DLCN作为源领域网络,采用迁移学习方法,将源领域中的DLCN参数迁移至目标领域中,用于对另一电网模型展开故障诊断研究。测试结果表明,基于DLCN参数的迁移学习方法对其他样本较少的电网模型同样具有出色的故障诊断性能,为深度学习用于仅含较少故障样本的电网故障诊断提供了新思路。