新能源、分布式能源为智能电网带来了新的机遇与挑战。智能电表与PMUs（phasor measurement units）等智能量测设备的大量部署,为电力供应商提供了海量数据信息,如何利用先进的数据分析技术保障电力系统的安全高效运行受到广泛的重视。线路拓扑辨识与用户特征提取是智能电网数据分析中的两大重要技术,对于优化运行决策和需求响应至关重要。因此,本文针对智能电表与PMUs量测数据驱动的线路拓扑辨识和用户特征提取问题进行了深入研究,主要工作如下:提出了一种用于解决有PMUs量测下的电网线路拓扑辨识问题的方法。针对测量噪声问题,结合拓扑稀疏性提出了一个基于再加权?1最小化方法的估计器,并设计了一个可以快速收敛到局部最优点的交替下降次优化求解器。在IEEE-14bus和57-bus基准测试系统上进行了大量的仿真实验以验证算法的有效性。结果表明,相比传统最小二乘方法,该算法提高了拓扑辨识准确率并降低了线路参数估计的误差。提出了一种用于解决无PMUs量测下的电网线路拓扑辨识问题的方法。针对电压相角不可测的情况,开发了一种基于剪枝线性回归与迭代牛顿能量球法的线路拓扑辨识方法。利用剪枝线性回归辨识近似值,之后引入能量球函数构建迭代牛顿能量球法进行精确辨识。在IEEE-33bus配电系统上进行了大量仿真验证。结果表明,在线路拓扑辨识方面该方法比牛拉法具有更快的收敛速率以及更强的抗噪性。提出了一种从智能电表功耗数据中提取用户特征的方法。针对人工提取用户特征难的问题,考虑不同特征之间的潜在联系,开发了一种基于深度卷积神经网络的跨任务迁移学习用户特征提取方法,利用从一个特征（如退休状态）估计中学到的知识来实现另一个相关特征（如年龄）的估计。在基准的爱尔兰数据集上进行了大量的实验。结果表明,该方案相比于传统卷积神经网络,具有出色的分类精度和更高的训练效率,且潜在的减少了人工标记数据的成本。本文提出的数据驱动的线路拓扑辨识与用户特征提取方法为电力供应商获取准确的网络参数与用户信息,进而优化运行决策与需求响应提供了新途径。