电网的安全性及稳定性与高压断路器的运行状态息息相关。在此背景下，本文通过机器学习分类算法，将采集到的高压断路器振动信号进行了故障诊断研究。主要研究内容包括信号的数据采集、信号的分解、信号的特征提取以及信号的状态识别四个部分。
　　首先，分析了高压断路器基本结构原理和常见故障。在此基础上，模拟了三种常见的机械故障:基座螺丝松动，润滑不足和储能弹簧脱落，并采集正常状态及三种故障状态下的振动信号数据。
　　其次，对采集到的振动信号数据采用改进的小波降噪方法进行预处理。针对传统变分模态分解方法在K值选取方面存在的不足进行了改进，提出一种基于本征模态函数频谱分布的变分模态分解方法实现K值的有效选取。并对比分析传统信号分解方法的性能，以突显出本文所提信号分解方法可以精确得到信号真实模态分量的优越性。
　　然后，引入了两种高压断路器振动信号特征提取方法。其一是基于改进的时间分割能量熵的特征提取方法，对信号时频特性进一步量化。同时在时域、频域上进行能量熵值的表达，即特征向量。其二是基于时频图像的特征提取方法，利用希尔伯特黄变换将一维振动信号转化为反映高压断路器运行状态的时频图，并通过圆域局部二值模式生成时频谱图，运用图像处理对时频谱图像纹理特征进行分析，即灰度直方图序列作为特征向量。
　　最后，建立两种不同的高压断路器故障诊断模型进行信号的识别分类。模型一:针对改进时间分割能量熵提取的特征向量，提出了基于参数优化单分类支持向量机与概率神经网络的组合分类器进行故障诊断，采用改进的网格搜索优化算法对分类器的参数进行寻优，找到最佳参数组合输入到单分类支持向量机与概率神经网络组合分类器中进行信号识别。模型二:针对希尔伯特黄变换时频图像提取的特征向量，提出了基于麻雀搜索算法优化支持向量机进行故障诊断，采用麻雀搜索算法对支持向量机中的参数进行寻优，找到最优参数组合输入到支持向量机分类器中进行信号识别。两种故障诊断模型的识别结果验证了方法的可行性和有效性。