电力变压器在电力系统中的地位不言而喻,随着我国特高压输电技术的发展以及“十四五”电力发展战略的部署,保证电力变压器安全稳定运行有重大意义。为了解决电力变压器内部机械损伤在线识别困难、识别效率低的问题,本文以电力变压器为研究对象,利用其本体振动信号作为识别途径。针对电力系统中易出现的短路故障,分析电力变压器在短路电流冲击下的振动特性,并建立了相关内部机械损伤识别模型。分别从理论基础和应用分析两方面并结合仿真与实验展开研究,主要研究内容如下:（1）分别从电力变压器绕组和铁芯的振动机理开展理论研究。全面分析了电力变压器振动源及其振动传播特性。深入研究了电力变压器绕组辐向和轴向受力情况,以及电力变压器铁芯的振动原因;并分别建立了电力变压器绕组、铁芯的振动加速度数学模型,并分析了绕组和铁芯损伤对本体振动的影响。在理论分析的基础上,基于COMSOL软件建立电力变压器“电磁场-结构应力-声学场”的多物理场仿真模型,对电力变压器的绕组、铁芯进行多物理场振动仿真,仿真研究结果与理论研究结果一致。以此表明论文所利用电力变压器振动信号来识别其内部机械损伤是可行且有效的。（2）针对电力变压器本体振动特性进行了振动信号采集系统研究。通过对比分析,设计了基于加速度特征的电力变压器振动信号采集系统,对比选择了相应高精度的加速度传感器与信号采集卡,并设计了电力变压器两相短路时振动信号采集实验。对由采集过程中不确定性因素造成的振动数据缺失进行插值填补使得数据集更完整。对其振动原始信号进行了频谱分析,并计算不同频段的频率成分复杂度来表征原始振动信号在强耦合效应下的内部机械损伤特征。（3）针对电力变压器原始振动信号特征识别问题进行研究。基于深度学习的思想建立相关损伤识别模型来识别采集到的电力变压器原始振动信号。主要运用一维卷积神经网络（One Dimension-Convolutional Neural Networks,1D-CNN）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的1D-CNN-LSTM模型来识别采集到的电力变压器原始振动信号,以此来确定其内部机械损伤情况。通过对比不同深度学习方法并进行实验,实验结果表明本文所建模型在电力变压器内部机械损伤识别过程中收敛性更好且识别结果更精准。