随着科学技术日益发展,人们对电力负载的使用更加频繁。在负载使用过程中,线路老化损坏以及连接处松动会导致故障电弧,若故障点持续燃弧,存在触电和电气火灾风险。不同类型的电力负载所引起的故障电弧存在差异,多种负载组合情况复杂,导致住宅区故障电弧识别变得困难。因此,本文对低压串联电弧故障特性、检测技术进行了研究。首先,本文以220V/50Hz交流电源下串联故障电弧为研究对象,针对GB14287-2014标准,搭建低压串联故障电弧实验平台,对6种常见负载进行数据采集。在实践线路环境中,可能存在多负载组合情况。本文对两负载、三负载以及四负载同时工作的情况进行了采集与分析,总结出不同情况电流信号的特性与共性特征,可作为后续低压串联故障电弧诊断时特征提取与选择的依据。其次,为了对不同类型负载与组合型负载的复杂故障电弧进行检测,对负载电流信号频谱进行分析。提出了通过线性调频Z变换（Chirp Z-Transform,CZT）进行分段频谱细化,提高负载电流信号的频谱表征能力。结合T-SNE对提取的时域和频域特征进行分析,提出了基于时域和频域特征筛选的多层感知机（Feature Selection and Multilayer Perceptron,FS-MLP）,为了提高模型的稳定性,使用L1正则化防止过拟合。结果表明,FS-MLP对单负载识别率高达99%,对于多负载情况的识别率为98%。最后,针对负载的数量种类繁多,低压串联故障电弧变化较大,难以对负载类型进行区分。本文提出了基于时频色谱图结合深度学习算法进行自动提取特征并分类。通过连续小波变换（Continue Wavelet Transform,CWT）得到时频色谱图,结合卷积神经网络（Convolutional Neural Networks,CNN）对负载类型以及负载状态进行识别。为了增强算法的识别率,结合优化算法、学习率、Dropout等技术对模型进行优化。实验结果表明,本文算法对负载类型识别率高达98%,负载工作状态识别率接近100%,未知多负载情况故障识别率为99%,说明了本文算法对负载类型、故障、未知情况识别的有效性,具有一定的扩展性。