GIS具有占地面积小、运行稳定性高等诸多优点,被广泛应用于各电压等级的变电站中。盆式绝缘子是GIS的核心绝缘部件,受生产制造、安装、运行过程中众多因素的影响,其表面和内部可能存在多种绝缘缺陷,因此在运行中容易发生局部放电,加速盆式绝缘子的绝缘损坏过程。目前对于盆式绝缘子局部放电识别的研究较少,因此有必要开展相关研究。本文在实验中建立了盆式绝缘子典型缺陷局部放电实验平台,采集了大量局部放电超声波信号,基于局部均值分解（LMD）提取信号的特征参数、特征序列,并使用分类器进行训练和测试,验证提出的分类识别方法的可行性。论文的主要工作和研究结论如下:（1）根据GIS盆式绝缘子的实际工况,在实验室中设计并制作了盆式绝缘子典型缺陷局部放电模型。通过控制环氧树脂浇注条件,制作了带有裂纹、气泡、嵌件毛刺、表面金属颗粒缺陷的小型盆式绝缘子实验样品。搭建了超声波局部放电检测实验平台,开展实验采集了大量不同缺陷的局部放电超声波信号。（2）使用标准LMD分解局部放电仿真信号,结果表明:标准LMD在分解局部放电仿真信号时存在模态混叠现象并产生了多余的虚假分量。通过正负成对高斯白噪声辅助分解和引入改进LMD算法的方式对标准LMD进行了优化改进,再次分解局部放电仿真信号验证了其性能的提升,可以用于局部放电信号的分解。（3）提出局部放电信号特征参数的提取方法并利用支持向量机（SVM）分类。通过优化改进后的LMD对局部放电信号进行了分解并得到分量,使用主分量的能量占比、能量熵、Renyi熵作为特征参数,带入SVM进行分类识别,正确率达到96%。改变训练集样本大小进行分类,结果表明:即使在小样本下所提方法仍能达到94.5%的正确率,训练集样本量增大时正确率逐步提升,但总耗时大大增加,证明了所提取特征参数的有效性和支持向量机在小样本分类问题上的优势。（4）提出局部放电信号特征序列的提取方法并利用长短期记忆神经网络（LSTM）分类。将每个主分量分成等长的信号片段,提取每个信号片段的能量占比、Renyi熵、赫斯特指数,根据时间顺序合成对应的特征序列,带入LSTM进行分类识别,正确率达到98.25%。改变训练集样本大小进行分类,结果表明:在中等或较大规模的样本下所提方法正确率均超过95%,且与SVM相比耗时大幅减少,而当样本数量较小时识别效果受到影响,验证了所提取特征序列的有效性,体现了LSTM在大样本训练识别过程中的高效性和在处理小样本问题上的局限性。