现代社会的高速发展越来越依赖于电子设备,由于电能质量问题容易引起设备故障,如何有效识别电能质量扰动信息尤为重要。随着机器学习不断被引入电力研究,单一扰动信号的分类问题已经获得了不错的精度,但对于组成复杂的复合扰动信号,由于各扰动特征相互干扰致使其分类精度依旧不高。本课题针对复合扰动信号的特征选择问题以及识别分类问题进行了研究。为提升对含有噪声的电能质量扰动信号分类的准确性,本文在小波包消噪的基础上引入模糊熵判据,对不同噪声水平的扰动信号自适应最优分解层数,构造阈值随噪声系数改变的函数。计算噪声序列模糊熵值,当熵值最大时取得最佳阈值。结果表明该算法在不同信噪比下均具有良好的消噪能力。针对希尔伯特-黄变换（Hilbert-Huang Transform,HHT）的端点效应问题,本文提出了基于动态时间归整算法的波形匹配延拓,解决了对于长信号进行延拓时计算量过大的问题,应用该算法可以灵活的调整延拓窗口的步长,从而降低延拓产生的时间损耗。针对模态堆叠现象,本文提出了一种基于掩蔽信号的经验模态分解（Empirical Mode Decomposition,EMD）算法,通过引入可控信号去混叠不同模态来减少信号自身模态之间的混叠现象,有效的改善了模态堆叠问题。信号分类阶段,对于传统电能质量扰动（Power Quality Disturbance,PQD）信号分类时特征提取复杂繁多的问题,本文结合HHT和支持向量机（Support Vector Machine,SVM）简化了信号分类的过程。首先对扰动信号进行消噪和延拓等预处理操作,而后对处理过的信号执行EMD分解,可以将不同种类的扰动成分分解至不同的固有模态函数（Intrinsic Mode Functions,IMFs）分量中,对于含有不同扰动信息的IMF分量,提取其幅频信息和统计信息,而后利用优化的SVM对其进行分类操作。最后,对本文提出的分类算法进行实验仿真,并通过真实数据进行验证。实验结果表明该方法解决了多种扰动叠加难以分辨的问题,提高了复合扰动的识别准确率。为准确识别复合扰动信号和解决电能质量问题提供了理论基础。