随着电力系统的飞速发展,电力系统结构更加多样化,海量信息通信器件也接入其中。先进的传感测量技术、通信技术以及计算机控制技术使电网信息物理不断融合形成了信息物理融合系统。然而在实现大型态势感知、动态控制的同时,电力系统被攻击的风险也日益增长。电力系统中的网络攻击,其对数据的破坏主要体现在信息可用性、完整性和保密性。其中,虚假数据注入攻击依据网络拓扑,结构性改变电力系统量测数据,破坏电力系统信息的完整性。并且此类攻击可以绕过状态估计的不良数据检测,具有较强的隐蔽性与干扰性,影响控制中心的分析决策。机器学习技术由于其优异的特征提取能力以及在分类问题上的良好表现提供了解决虚假数据注入问题的新方案,或可用于对电网数据的安全检测与辨识。本文分析了传统状态估计中的不良数据检测方法,结合了机器学习中的卷积神经网络、全卷积神经网络与双向门控循环单元分别提出了虚假数据注入攻击检测模型与攻击辨识模型。针对传统虚假数据注入攻击检测仅局限于判断攻击是否发生的问题,提出了多级检测的处理,实现了被攻击数据的精细化判别,有效地避免了直接进行攻击辨识带来的资源损失。本文做的主要工作如下:（1）建立电力系统模型,分析传统状态估计与不良数据检测的漏洞。阐述如何构建虚假数据注攻击的攻击向量以及虚假数据能够绕过不良数据检测的原理。提出了基于双向门控循环单元优化卷积神经网络的虚假数据注入检测模型,综合考虑了量测数据双向的时序特征以及网络拓扑方面的空间特征,提高了虚假数据注入攻击的检测精度。（2）为了实现虚假数据注入攻击的攻击辨识,提出了一种基于双向门控循环单元优化全卷积神经网络的位置检测模型。针对传统虚假数据注入检测局限于判断攻击是否发生的问题,提出了多级检测的处理,实现被攻击数据的精细化判别,有效地避免了浅层神经网络直接进行位置检测所带来的资源损失。针对量测数据的时序特征,将双向门控循环单元应用于全卷积神经网络的卷积层之间,可以有效地提取数据间的时空特征,提高虚假数据注入攻击辨识的精度与效率。（3）本文所提出的虚假数据注入攻击检测与辨识模型,分别在IEEE-14和IEEE-118标准测试系统上进行仿真实验,通过其仿真结果验证了所提出方法的有效性与先进性。