近年来,智能城市发展已成为合理利用资源,保护环境和改善社会福祉的首要关注点,能源管理是智能城市发展方案的重要组成部分,有必要对建筑内能源消耗进行管理和监测。非侵入式负载监测技术仅利用单个智能电表就能监测建筑物中的各电力设备的运行状态和能耗信息,降低了侵入式负荷监测的成本。在此背景下,本文从负荷分解任务的输入信号和分解模型两个方面展开了深入研究,对非侵入式负荷分解系统进行了的改进,具体工作如下:（1）针对低频输入信号提供的信息不足且具有噪声,难对多状态设备进行分类问题,本文从信号角度思考提升系统的识别性能的可能性,根据差分信号放大功率变化的思想,利用不同反射率提出将差分信号赋予与原始输入信号相同的权重将原来的一维时序输入变为二维时序输入,形成了原始功率信号与差分信号结合的新型输入信号模式。最后利用公开数据集在基于传统的深度学习模型上进行了对比验证,证明了本文提出的新信号在对负荷分解任务的性能有提升作用。（2）针对非侵入式负荷分解采用值回归思想建模时收敛速度慢且耗费计算资源问题,本文利用嵌入矩阵思想将序列中的每一个功率值经过取整和高维映射处理转换为一个高维向量,由此将NILM任务由求取各设备功率值回归问题转变为预测各时刻总功率值在输出向量各维度的概率问题。（3）针对基于双向长短期记忆网络（Bidirectional Long Short Term Memory,BiLSTM）模型待训练参数量大,且当输入序列较长时该模型存在信息压缩的问题,论文提出利用双向门控循环单元网络（Bidirectional Gated Recurrent Unit,Bi-GRU）代替Bi-LSTM网络以减少模型参数,对模型复杂度做减法;利用注意力机制生成随输入不断变化的动态向量以代替元模型生成的固定中间向量,对模型分解性能做加法。由此给出了本文的最终学习模型——结合注意力机制的改进序列到序列（Improved sequence-to-sequence combined with attention mechanism,S2SA）模型（4）论文最后对提出的新信号和S2SA模型进行了详尽的实验验证,首先设计了四个子实验为模型选择合适的预处理方法和超参数,然后在可见和不可见的场景下分别对模型的整体性能进行了验证,最后对实验结果进行了详细分析,实验证明本文所提的新信号和S2SA模型在各评价指标上均有优异表现。