变压器油中溶解气体方法(Dissolved Gas-in-oil Analysis,DGA)由于其结果直观、操作简单和在线观测等优势,被广泛应用于变压器领域.然而传统的DGA难以充分利用不带故障类别标签的样本信息,导致故障诊断准确率不高.针对此问题,本文提出了一种基于深度收缩自编码(Deep Contractive Auto-Encoder,DCAE)网络的变压器故障诊断方法.首先,将深度收缩自编码网络和分类器组成DCAE分类器,构建基于深度收缩自编码网络的变压器故障诊断模型.其次,考虑工程中存在的数据采样错误情况,选取部分测试样本将其随机置零,研究该模型的容错性.结果表明,所提出的变压器故障诊断模型准确率均高于传统的粒子群优化支持向量机和BP神经网络模型,该模型适用于变压器故障诊断.