随着电力系统容量的增加,电力设备承受的外加电场也相应提高。在电力设备的制造和运行过程中不可避免会出现绝缘缺陷,在这些缺陷部位会首先发生局部放电,局部放电进一步扩大会导致电力设备的故障,从而给电力系统的安全稳定运行带来严重威胁。因此对局部放电进行检测并正确识别放电类型对电力系统的正常运行具有非常重要的意义。在对课题的背景和意义进行研究后,本文深入学习了局部放电的发生机理及检测方法,并通过对单气隙绝缘缺陷的MATLAB/Simulink仿真分析对局部放电过程有了更加深入的理解。本文主要从局部放电试验、放电数据的采集与处理以及放电类型的模式识别三方面进行展开。在局部放电试验部分中,通过对电力设备中常见的四种典型绝缘缺陷类型进行试样模型的设计与制作,选用脉冲电流法对局部放电进行检测,在检测阻抗设计部分,利用ATPDraw进行仿真以确定检测阻抗的参数。根据局部放电检测的脉冲电流法基本回路,在实验室中搭建了局部放电试验系统,对绝缘缺陷试样进行放电试验与检测。在放电数据的采集与处理部分中,本文研制了一套基于LabVIEW软件的数据采集与处理系统。该系统主要包括系统配置、数据的采集与保存、数据的查看与回放以及数据处理四个模块,在论文中针对这四个模块分别进行设计与编程,主要实现对硬件试验系统检测到的放电信号进行采集、保存并将采集到的数据处理为局部放电对应的放电谱图等功能。在放电类型的模式识别部分中,本文选择了放电信号的偏斜度、陡峭度和互相关因数为放电特征参量并加以提取后,作为模式识别网络的输入。将BP神经网络作为模式识别网络对放电类型进行识别,通过附加动量法和变学习率学习法对简单BP神经网络进行优化,对优化前后的BP神经网络分别进行训练与测试。结果表明,本文研发的数据采集与处理系统能够顺利实现绝缘缺陷中局部放电信号的采集与处理。以提取到的特征参量作为输入,优化后的BP神经网络可以有效地识别放电类型,并且通过附加动量法和变学习率学习法的优化,BP神经网络的识别率得到提升。本课题的设计达到了预期目标。