本论文主要研究了神经网络、灰关联度理论、遗传算法以及模糊优选理论在变压器故障诊断中的应用。文中所采用的智能算法都明显提高了变压器的故障识别率。 神经网络在故障诊断中的应用通常是采用标准BP网络。为了提高BP网络的学习效率，本文将Levenberg-Marquart(L-M)算法引入到BP网络中进行网络权值的学习。其收敛速度和稳定性都优于标准BP算法。本文将该算法用于变压器的在线实时故障诊断中，取得了较满意的效果。 利用灰色关联度可以对系统动态发展过程量化分析以考察系统诸因素之间的相关程度，其基本思想是根据曲线间相似程度来判断因素间的关联程度。在变压器的故障诊断中普遍采用油中溶解气体分析(DGA)导则推荐的三比值法。但因其比值范围不全，常导致在实际诊断过程中出现不能判断的情况。本文提出的方法可在一定程度上弥补这一缺点。 遗传算法是一种模仿生物进化过程的全局优化算法。它提供了一种求解复杂系统优化问题的通用框架，对问题的种类有很强的鲁棒性。本文在概率因果推理模型的基础上，引入模糊理论，重新建立了模糊概率因果变压器故障诊断模型，并从非线性组合优化的角度提出了该模型的遗传算法求解策略。仿真结果表明，本文提出的新方法同时提高了并发性故障和单故障的识别率。 本文提出的模糊优选法进行变压器故障诊断，是根据标准故障模式对待检模式相似的相对隶属度的大小来判断故障，比模糊平均加权模型对故障的判别更为清晰。仿真结果亦表明该方法不仅能诊断出使用三比值方法中所无法判断的故障，而且对故障的判别更为清晰。所建模型还能部分地对故障进行定位分析，这对维修策略的制定具有一定的指导意义。