随着智能电网的快速发展,通过利用非侵入式负荷监测系统（nonintrusive load monitoring,NILM）收集用户的各种用电信息,来进一步优化改进电网的智能供电控制系统,从而实现更智能、更高效、更高质量的电网供电。目前在NILM中,系统功能主要分为两部分,即用电设备识别和短期负荷预测。在用电设备识别部分引入了深度学习算法,其可以深度的挖掘各类设备用电数据之间的关系,当训练的数据样本足够多时,可以获得非常好的分类效果。短期负荷预测与时间、气候环境等多种因素有关,引入机器学习的预测方法可以很好的改变传统算法预测误差较大的缺陷,使负荷预测更加准确、实用。本文主要对NILM的研究展开了两部分工作。在负荷分类识别部分,首先对负荷特征进行对比选取,经论证选取了有功功率作为负荷识别的特征,并选取REDD数据集作为实验验证数据。在识别算法上,引入深度学习中的深度置信网络（Deep Belief Network,DBN）算法,并在此基础上提出了一种基于麻雀搜索算法（Sparrow search algorithm,SSA）优化的DBN网络算法来进行负荷的分类识别。用SSA算法完成对初始权重的赋值,优化各层RBM的参数,使得DBN网络获得更好的训练方向,精度进一步提升。然后采用KNN、SVM、BP神经网络与DBN和SSA-DBN进行对比实验,实验结果验证了DBN算法在用电负荷识别方面的准确性与实用性,并进一步体现了经SSA优化后的DBN算法识别效果提升明显,提高达5%左右。在短期负荷预测部分,针对在负荷预测中传统算法局限较多且精度不高的问题,提出了基于长短期记忆网络（Long Short-Term Memory,LSTM）的负荷预测方法,并采用SVM、BP神经网络两种算法和其进行精度对比实验。最后用平均绝对值误差（MAE）和均方根误差（RMSE）两个标准来对各算法结果进行评价,总结出在短期负荷预测中LSTM算法相对其它算法的优势。