高压断路器是供电系统中的关键设备之一,在整个供电网络中起着控制与保护的双重功能。在正常工作时间内高压断路器即可开断工作电压,也可于规定时限内开断短路电流与过载电流,从而保证了电网的安全工作。所以,确保高压断路器的顺利工作对于提升电网工作可靠性至关重要。高压断路器中的分合闸线圈,是高压断路器的关键部件之一,其中断路器59.9%的故障为其机构及辅助回路发生的故障。传统香农-奈奎斯特理论的故障检测方法存在故障检测率低、信号采样率要求较高的问题,而压缩感知方法利用信号的稀疏特性,以远小于奈奎斯特采样定理的采样速度进行数据采集与压缩,从而降低了对数据采集、传递、存储的硬件压力。因此,本文围绕压缩感知理论,对高压断路器分合闸线圈进行分析,将采集的电流信号作为故障数据进行故障诊断研究。首先,简要介绍了高压断路器故障诊断的研究现状,对分合闸线圈电流的相关理论和故障类型进行了详细的介绍。根据高压断路器分合闸线圈的工作原理,在MATLAB/Simulink中建立分合闸线圈的仿真模型,通过仿真模型得到电流信号,通过修改分合闸线圈电流模型的相关参数,得到故障数据。其次,研究了压缩感知理论,对原始信号的稀疏性进行分析,将离散傅里叶变换作为初始化字典进行训练,并利用训练得到的学习字典对原始信号进行稀疏表示。由于奇异值分解可以增大测量矩阵的最小奇异值,因此将奇异值分解应用于测量矩阵的优化算法中,从而提高信号重构的准确性。最后,对两大类重构算法进行研究,在正交匹配追踪算法的基础上提出余弦广义-正则化正交匹配追踪的改进算法,该算法对正则化二次选择的预选原子通过余弦相似系数进一步判定,获得最优原子支撑集,通过实验得出本文提出的重构算法具有更好的重构性能。最后,在高压断路器的故障诊断中引入支持向量机（Support Vector Machine,SVM）分类模型,为了提高诊断准确性,通过粒子群算法（Particle Swarm Optimization,PSO）进行优化,得到PSO-SVM故障诊断模型。然后,利用压缩感知理论对高压断路器分合闸线圈的故障电流信号进行处理,在对测量值进行重构的过程中获得故障特征参数,在粒子群算法优化后的支持向量机中输入提取到的故障特征参数,实现高压断路器的故障诊断。实验表明,与传统方法相比,本文方法的故障诊断准确率提高,故障诊断速度加快。