电压暂降是配电网中最不可避免的电能质量障碍之一,极有可能给工业用户带来经济损失。准确辨识电压暂降的原因及定位故障源,有助于及时制定干扰处理计划,明确责任,有效地减少经济损失。常见电压暂降类型有:单相接地故障、相间短路故障、大容量电动机故障、雷电冲击引起的故障,在上述背景下,如何利用电压波形监测来提升电压故障类型识别以及故障源定位成为迫切解决的课题,针对配电网监测系统采集的故障波形图不够丰富,生成的波形图片是截屏或数据趋势图,像素低,导致图片智能辨识的难度变大等瓶颈问题,本文以配电网异常电压波形特征为具体研究对象,提出了一种基于深度学习的电压异常波形识别方法,能够自动识别电压故障类型以及故障源定位,并取得了以下研究结果:（1）根据配电网异常电压波形图像故障特征,改进SE ResNet网络电压异常波形识别算法。首先将原图像做Sobel算子预处理,得到多角度的梯度图像,然后,将三个梯度图像分别经过3个卷积层、5个挤压激励残差网络层,训练得到的图像特征经过归一化处理与最大池化处理、分类器,经过重排序后,得到分类结果并输出。（2）建立了三组不同的卷积神经网络实验,通过深度卷积神经网络建立异常电压波形模型。为了充分验证转移学习和数据增强在异常波形类别任务中的有效性,在测试集中综合比较Google Net、ResNet50、改进型SE ResNet三种模型的准确性,最终构建出最佳异常电压故障类型识别模型。改进的SE ResNet算法的识别准确率达到95%左右,在异常波形故障类型方面具有显著优势。（3）根据改进型SE-ResNet网络电压异常波形识别算法,以及监测点与故障点距离不同,所呈现的电压暂降波形特征,提出电压暂降源识别策略,并将暂降类型识别网络模型迁移至电压暂降源定位,设计相应对比试验,实验结果表明本文提出的算法鲁棒性较好,识别准确率高,平均精度较高,适用性强。（4）设计并开发了一个基于SE ResNet的配电网异常电压故障类型识别模块,包括账户管理、图像上传、图像识别、识别信息管理和数据集管理。间接地将辨识模式可视化,为电力系统员工及时判断电压跌落类型、故障部位等提供了依据,从而推动了配电网的智能化建设。