电力变压器是电网中实现远距离输送及电能分配的重要电力设备,其稳定性对电网安全至关重要。绕组是电力变压器最容易发生故障的部件之一,其中机械故障所占比例最高。绕组机械状态的改变是不可逆转的,最终导致变压器抗短路能力下降,在遇到外部突发短路冲击时容易发生损坏,使生产和生活用电受到影响,造成重大经济损失。振动分析法从电力变压器绕组的机械动力特征出发对绕组机械故障进行诊断,可以实现在线监测及带电检测,避免了变压器停运带来的不便。传统的振动分析法以单点振动为主,受负载、温度等工况波动影响较为严重,因此需要提出一种对绕组机械故障敏感而不受正常工况波动影响的振动特征,这对拓宽基于振动分析法的电力变压器绕组机械故障诊断现场应用有着重要的工程意义。本文组建了 10kV模型变压器油箱表面振动阵列测试系统,利用压电式加速度传感器、数据采集卡以及数据分析系统获取变压器油箱表面振动信号。分别对变压器绕组正常状态、绕组螺柱松动、绕组垫块脱落等三种机械状态下的振动阵列信号进行测量,利用三次样条插值振动复原方法获得变压器油箱表面振动云图。本文通过灰度共生矩阵（GLCM:Gray-level co-occurrence matrix）,方向梯度直方图（HOG:Histogram of Oriented Gradient）,局部二值模式（LBP:Local Binary Patterns）三种图像处理方法提取变压器不同绕组机械状态下的振动云图纹理特征,并利用机器学习和统计学方法对其进行故障诊断。实验结果表明,HOG特征结合支持向量机（SVM:Support Vector Machine）,LBP特征结合SVM,LBP特征结合卡方检验三种基于变压器振动云图的方法,可以有效的诊断变压器绕组是否发生故障。通过计算100Hz频率分量振动云图灰度共生矩阵的相关性均值与标准差的差值,可以诊断变压器绕组是否发生松动并对绕组松动的类型进行分类,相比利用单一特征值判断,本文提出的方法降低了对计算的精度要求。通过对比分析,提出通过提取振动云图LBP特征和GLCM特征并利用统计量进行分类的方法,可以快速有效的分辨出绕组故障为螺柱松动故障或垫块脱落故障。本文的研究结果为基于振动传感振列的变压器绕组松动故障诊断方法提供了参考,推进了基于图像处理和机器学习在变压器故障诊断中的应用。对电力变压器机械状态在线监测以及智能电网的发展具有重要的意义。