本文通过对电力变压器故障诊断技术的学习研究,概述了该技术在国内外的发展概况,阐述了传统的故障诊断方法(DGA),以及基于DGA数据的人工智能诊断技术,分析了变压器故障气体的产生机理、过程和特征气体的构成与故障类型的关联性,提出了基于改进的人工鱼群算法(IAFSA)结合RBF神经网络的变压器故障诊断方法。首先对传统的基于DGA数据的变压器故障诊断方法进行了理论学习和分析,介绍了溶解气体在变压器中的产生来源,以及各类气体的组成比例与之相对应的故障类型,并得出了传统变压器故障诊断方法的不足之处,为下一步提出新方法奠定了理论依据。然后通过研究AFSA算法的原理特征及其自身存在的欠缺之处,对鱼群算法的参数和行为进行了改进,适当引入了相应策略：自适应策略、分段策略、跳跃行为、踏步行为等。设计出改进后的人工鱼群算法(IAFSA)模型和流程图,改进后的鱼群算法具有搜索速度快,并自动选择鱼群行为,易于逃离局部最优解,为下一步的结合RBF神经网络提供了算法支撑。IAFSA主要用于优化RBF神经网络的基函数中心和宽度,文中采用了均匀分布鱼群,搜索故障数据的径向基中心的初始值,再根据K-means聚类算法,最终确定网络的基中心和宽度等参数,使RBF网络得出最优结构,提高网络的训练效率和效果。最后依据IAFSA-RBF算法的理论成果,使用MATLA R2013a平台搭建模型,进行实验仿真。通过实验数据对比结果来看,本文使用的方法一一IAFSA-RBF网络对于变压器故障数据训练和预测的速度与精度上,相对单一RBF网络、常规AFSA-RBF网络有了显著的提高。IAFSA-RBF网络的诊断性能体现出较强的优越性,在电力变压器故障诊断方面,具有很好的实用价值。