为准确识别变压器的工作状态,该文从运行中的变压器声音信号出发,提出一种基于压缩观测与判别字典学习的变压器声纹识别方法.首先采用稀疏随机矩阵对变压器声音信号进行压缩观测来获取观测信号,然后将变压器不同状态下的观测信号组成样本集,经迭代算法训练获得子字典、公共字典和判别字典.同时,为提升判别字典的分类性能,引入了Fisher判别约束项和公共字典低秩约束项来优化判别字典学习的目标函数,并对目标函数中的惩罚系数进行了优选.最后,求解待识别样本在判别字典上的稀疏表示系数,根据其在子字典上的重构误差最小原则进行识别.对某10kV干式变压器正常与典型故障下声音信号的分析结果表明,压缩观测可将声音信号数据量减小至原来的10％,大幅提升了运算效率.所构建的字典学习目标函数能有效增强字典的判别性能,对变压器不同工作状态的总体识别准确率可达96％,从而为变压器的声纹识别提供了一种新的思路.