变压器故障诊断的关键是实现从故障征兆空间到故障空间的映射，从而实现对故障的识别和诊断，它是一个复杂的非线性问题。神经网络凭借其所具有的自组织自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力，成为故障诊断领域的重要工具。但是由于在生产实际中存在设备工况复杂、故障种类繁多，使得在诊断过程中出现网络规模庞大、学习训练时间长和易于陷入局部极小值等问题，降低了神经网络的实用性。将神经网络与其他人工智能理论相结合成为神经网络用于故障诊断的主要趋势，本文将神经网络与蚁群算法、专家系统结合，改善神经网络的性能并用于变压器的故障诊断。本文的主要研究内容如下：（1）从变压器故障的原因入手，分析了变压器油中所含溶解气体的来源，进一步深入研究变压器的故障机理和诊断依据，确定了根据不同故障产生的油中溶解气体的种类和含量的不同对故障类型进行诊断的方法。（2）对蚁群算法进行改进，通过删除信息素的局部更新环节减少了蚁群算法的计算量，并为蚁群算法增加一种收敛因子，以实现在信息素的全局更新中为每次迭代的最优路径赋予额外的信息素增量，测试函数仿真结果表明，改进后的蚁群算法同基本蚁群算法相比具有较高的寻优能力和较快的收敛速度。利用改进后的蚁群算法对神经网络进行优化，优化时省略了蚁群算法的启发式因子，降低了算法的复杂度，并对优化过程中的蚁群规模、信息素挥发度、总信息量等主要参数选择范围进行了探讨。优化后的神经网络能够有效克服易陷入局部极小值和收敛速度慢的问题，并具有较高的辨识精度。（3）提出了一种神经网络专家系统模型，将蚁群优化神经网络与专家系统相结合，利用神经网络善于处理样本类知识，专家系统善于处理规则类知识的特性，使诊断系统能够同时处理两类知识，通过设计筛选机制实现了神经网络和专家系统两种异构系统间的知识传递和共享，让二者在知识层面上有机结合，进一步提高了知识的利用率和诊断系统的可靠性，达到了优势互补的效果。（4）将神经网络专家系统应用于故障诊断，设计了变压器故障诊断系统，并利用Matlab2012a、Visual Studio2010和SQL Server2000软件对诊断系统进行了实现。通过Matlab引擎技术将C#语言和Matlab相结合，将诊断数据传递给Matlab进行计算并返回计算结果。该混合编程技术能够实现较高的交互运行速度，也增强了故障数据的处理能力，并用实例证明了该故障诊断系统的实用性和可靠性。