信号,是一种信息的载体,传达有关一些现象行为或属性信息。对于信号的分类研究具有重要的现实意义,也是目前许多领域所研究的热点。在信号处理领域,散射变换是一种新的时频分析方法,其克服了传统小波变换会时移变化的缺点,具有平移不变性、弹性形变稳定性等优点,同时在二维信号中具有旋转不变性。深度学习作为一种机器学习方法,具有强大的特征泛化和分类能力,可以有效提取样本中深层次的特征并进行分类。由于当输入数据含有噪声等干扰时,深度学习的性能会受影响。故本文将散射变换与深度学习结合,提升整体方法对于信号分类问题的准确性能,并从一维信号和二维信号的分类问题作为切入点进行研究分析:针对机械故障诊断中信号含噪多的问题,本文提出了一种特征学习能力强、计算速度快的混合网络结构。一维散射网络由于其具有局部形变稳定性等特性被用于混合网络的第一层负责抑制噪声干扰和提取数据在频率域中的特征,SDnet由于其泛化能力强、结构轻便、分类性能强等优点被用于混合网络的第二层负责对特征更进一步提取和故障分类诊断。将该混合网络与DNN、LSTM、1D-LeNet5等故障诊断领域常用的深度学习方法在网络准确性能、抗噪性能、迁移能力三个方面进行对比实验,并可视化网络学习过程以便于理解。实验结果表明:本文提出的方法在公开数据集CWRU上,平均识别准确率可达99.9%,并且具有强大的迁移学习能力和较强的抗噪性能。针对绝缘子识别中图像受到光照、形变等干扰严重的问题,本文利用了散射变换具有弹性形变稳定性、旋转不变性以及CNN学习能力强的特点,提出了一种速度快、精度高的集成学习方法。该方法首先对图像做二维散射变换提取不同尺度、方向的系数来抑制光照等干扰,其次计算格拉姆矩阵增强低频系数的边缘纹理特征,再根据训练集数据计算网络特征图尺寸,然后将散射系数通过改进的YOLOv2网络得到初步定位,最后利用集成学习得到结果。通过实验结果可知,本文方法对于绝缘子图像识别准确率可达98.02%,识别速度可达18fps。