随着社会需求的不断改变以及各种工业、通信技术的发展,电子设备和仪器也设计得越来越复杂,通常需要数米甚至数公里的电缆传输电力、数据和控制信号。因此通信电缆在确保各种电子设备与仪器的正常中起着至关重要的作用,各系统间使用的连接电缆一旦发生损坏,将导致系统无法正常工作。实时检测电缆状态对确保系统稳定性和降低维护成本至关重要。反射法常用于检测电缆中的故障。然而,该类方法无法有效识别软故障,不能对电缆故障严重程度进行评判,且大多需要借助电缆传播波速度等先验知识来分析故障信息。本文提出了一种无需电缆先验知识,集合信道传递函数、软件无线电技术与深度学习方法的有损连接电缆故障检测定位与分类方法。研究内容具体包括:（1）基于传输线理论的对电缆信道进行建模。将电缆看作为分布式参数线,对正常电缆和带有故障的电缆进行信道建模,根据分布参数的变化情况对故障进行分类,再结合故障发生时的阻抗变化,获得电缆信道传递函数和终端反射系数的表达式,分析故障参数和电缆信道传递函数间的关系并获得电缆故障参数求解方法,同时使用先进设计系统软件与矢量网络分析仪进行实验验证了所建模型的正确性。（2）针对直接通过电缆信道传递函数求解电缆中故障信息非常困难这一缺点,借助无线通信中的信道估计思想,结合深度学习方法,提出了基于一维卷积神经网络和信道估计方法的电缆故障检测算法。首先,搭建了软件无线电平台用于采集有损连接电缆的故障数据。同时,训练深度神经网络模型用于估计有损连接电缆中故障的位置、类型与严重程度。实验证明了所提方法的有效性。与现有方法相比,所提方法能成功估计电缆故障位置和类型,有效预测故障严重程度。（3）在实际场景中,电缆中可能会同时出现多个故障。因此进一步对电缆的多故障信道模型进行理论推导与分析。同时,提出了基于深度残差收缩网络的电缆多故障检测方法从伴有多个故障的电缆的反射信号中提取信道传递函数,最终得到多故障电缆的故障类型和故障值等信息。