近年来,随着我国电力系统的跨大区交直流混联以及全国联网,导致系统结构及其动态特性更加复杂,相应地也进一步增大了电力系统稳定分析、与预防控制的难度。因此,及时、准确地掌握电力系统的稳定运行态势,实现电力系统稳定状态的实时监测,逐步成为了电力系统发展的前沿课题。此外,电力系统的发展方向,即为数字电力系统,在未来如何充分利用电力系统中正快速增长的数据,并快速、有效地对其进行分析、处理,进而挖掘出有用信息将其应用,也已成为电力行业所面临的一个关键问题。在上述背景下,论文将机器学习相关知识应用于电力系统稳定分析中,并结合稳定分析问题的机理,分别从电力系统暂态稳定和电力系统静态电压稳定两个方面来研究基于机器学习的电力系统稳定评估方法,并主要完成了以下工作:（1）针对电力系统暂态稳定,论文将最大相关-最小冗余（maximum-relevance minimum-redundancy,m RMR）算法应用于特征降维,剔除无关、冗余特征提升模型的计算效率和泛化能力,并提出一种基于m RMR准则的集成方案,选择出与稳定标签高度相关且不同特征相互互补的多组关键特征集。然后,利用这些关键特征分别单独训练多个Cat Boost模型,建立多个Cat Boost驱动的暂态稳定评估（transient stability assessment,TSA）模型,并结合多个训练好的Cat Boost模型构建TSA综合模型。在暂态稳定分析时,综合多个Cat Boost模型的预测结果,并通过多数投票表决方式判定最终评估结果。最后,在新英格兰39节点系统上进行性能测试实验,测试结果表明,所提出的TSA综合模型不仅具有极高的预测精度,而且拥有良好的泛化能力和鲁棒性。（2）针对电力系统静态电压稳定,将自然梯度提升（natural gradient boosting,NGBoost）算法应用于静态电压稳定评估（static voltage stability assessment,SVSA）中;NGBoost是基于回归树的最新算法,将NGBoost应用于SVSA有望进一步提升SVSA的精准度;将沙普利值加性解释（shapley additive explanations,SHAP）理论用于解释NGBoost模型,并通过全局分析和个体分析两个角度,给出各个特征对于SVSA的具体影响过程,挖掘出导致系统电压稳定裕度降低的关键因素;此外,在训练中应用最大互信息系数（maximal information coefficient,MIC）对输入特征进行相关性过滤,剔除冗余特征,并依据各特征的SHAP平均绝对值进行特征选择,剔除无关特征,提高计算效率。最后,在新英格兰39节点系统上进行算例分析,根据测试结果可知NGBoost算法不仅具有极高的预测精度,还拥有良好鲁棒性和泛化能力,并且SHAP理论为SVSA提供了依据和支撑。