为了实现国家提出的电网智能化和节能减排的目标,满足用户和供电公司在日常生活中对于智能测量和供给侧的需求,智能化负荷监测便成了一个急需解决的问题之一。在此背景下,非侵入式负荷监测技术为智能化负荷监测提供了可能的解决方案。非侵入式负荷监测是一种通过分析某个区域一段时间内的总功耗,来获取该区域内单个负荷的状以及估计其功耗的方法。该方法可以很方便、快捷地为用户和供电公司提供负荷运行情况,并使供电公司和用户有针对性地改变供电和用电策略。近年来,深度学习方法也开始应用于非侵入式负荷分解领域,并取得了显著的成效。现有基于深度学习的负荷分解方法大部分都是从单一的时间或者空间维度进行分析。随着生活质量的不断提升,家用电器的种类也在不断地增加,这就使得从单一时间或空间维度进行负荷分解的难度也在不断地增加。为了解决这个问题,就需要提取更加丰富的负荷特征信息,用于提高负荷分解精度。为此,本文从时间和空间两个角度出发,采用深度学习方法,研究面向深度时空特征的非侵入式负荷分解。本文的主要研究工作和成果贡献,总结如下:1.研究基于深度空间特征提取的负荷分解方法。受Inception模型的启发,提出一种基于多尺度深度空间特征提取的负荷分解方法。该方法采用不同卷积核大小的并行卷积操作,可以从居民住宅的总功耗数据中提取到不同尺度的空间特征信息,进而提升负荷分解的精度。在UKDALE和REDD数据集上的仿真实验表明,该方法获得的MAE平均值和SAE平均值都是优于序列到序列（Seq2seq）、序列到点（Seq2point）和全卷积降噪自动编码器（FCNN-DAE）等传统空间特征提取方法。2.研究基于深度时间特征提取的负荷分解方法。探究了三种基于深度时间特征提取的深度神经网络方法,如双向长短期记忆网络（Bi LSTM）、双向门控循环网络（Bi GRU）和双向时间卷积残差网络（Bi TCN-Resnet）在负荷分解中的应用,并详细比较了它们之间的性能。在UKDALE和REDD数据集上的实验结果表明,Bi TCN-Resnet在时间特征提取方面获得的负荷分解性能优于Bi LSTM和Bi GRU。3.研究基于深度时空特征融合注意力的负荷分解方法。针对单一深度对于特征提取的不充分问题,提出了一种基于深度时空特征融合注意力的非侵入式负荷分解方法。该方法首先利用由Bi TCN-Resnet组成的时间特征提取模块学习出输入序列中的时间特征,然后将学习到的特征输入到由五个并行卷积组成的空间特征提取模块（Inception）学习出输入序列的多尺度空间特征。最后,将学习到的时间特征与空间特征级联,输入到一个卷积注意力模块中进行时空特征的加权融合学习,来实现负荷分解精度的提升。此外,为了突出该方法的优越性,本文还将Inception分别于Bi LSTM和Bi GRU进行了时空特征融合实验。在UKDALE和REDD数据集上的仿真试验结果表明,本文所提出的基于深度时空特征融合注意力的非侵入式负荷分解方法获得的MAE平均值和SAE平均值都优于其它时空融合网络和单一的时间或空间网络。