高压输电线路较长,常跨越在人烟稀少、地形复杂、气候恶劣的地区,一旦发生故障则极难查找;若能在线路故障后准确地定位故障点,有利于及时修复线路,保障电力系统的安全、稳定和经济运行。近年深度学习在输电线路故障定位方面开展了探索性研究,但现有故障定位深度学习模型对线路参数较为敏感,不同线路需专门构建相应仿真模型重新进行训练,制约了该类方法的推广应用。此外,我国高压直流输电线路横跨距离远,交流线路与直流线路交叉跨越的密度高,随着近年恶劣天气频发,发生交直流碰线故障的概率大增;当发生交直流碰线故障时,若交流线路盲目重合或者直流系统盲目重启,可能会引发二次故障,从而威胁到电网安全;交直流碰线故障的准确辨识成为交流与直流线路故障恢复策略制定的前提。然而,交直流线路经低阻碰线与交流线路经高阻接地相比较,交流线路一端电气信号的故障特征非常相似,常规解析方法难以准确识别交直流碰线故障。为解决上述问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）对输电线路故障定位以及交直流碰线故障辨识开展研究工作,主要内容包括:（1）将输电线路的Bergeron模型和CNN相结合,建立基于CNN的沿线补偿电压波形相似度评估模型,进而提出一种输电线路双端故障定位时域法。该方法首先对线路两端电压、电流量进行相模变换,利用输电线路Bergeron模型,从线路两端推算沿线补偿电压波形,将多组补偿电压波形训练样本对CNN模型进行训练;然后,利用训练好的CNN模型评估线路沿线各观测点补偿电压波形相似度,根据故障点波形相似度最高为依据进行故障定位。最后,利用PSCAD/EMTDC暂态仿真模型进行故障仿真,对所提方法进行验证,结果表明所构建的波形相似度CNN模型对线路参数不敏感;对于不同参数的线路,本文所提方法无需重新对CNN模型进行训练就可以有效评估波形相似度,并完成准确的输电线路故障定位;所提出的基于CNN的波形相似度评价方法能增强输电线路时域故障定位方法的容错性,进而提高故障定位的准确性。（2）针对交直流碰线故障与传统交流故障难以区分的问题,借助CNN具有提取输入信号有效特征的优点,提出一种基于CNN的交流线路与直流线路碰线故障的辨识方法。仅使用交流线路单端的三相电流信号,利用CNN自动提取故障信号中的特征,通过分类机制辨识交流线路的交直流碰线故障类型。最后,利用PSCAD/EMTDC搭建不同参数线路的交直流电网仿真模型,对所提方法识别准确性进行验证;同时,考虑不同交流线路的电压等级和噪声的影响,对所提方法的适应性进行验证。结果表明,所构建的CNN模型能够准确地对交流线路的交直流碰线故障进行辨识。