高压输电线路在电力系统中承担着远距离电能输送的重任,与其他电力设备相比,输电线路具有跨度大、分布广、环境复杂多变的特点,其长期暴露在外的工作性质决定了线路故障的多发性和复杂性,威胁着电网安全和社会生活。在线路故障发生后,迅速且准确地对故障原因进行辨识,有利于指导调度、巡检人员的决策判断,缩短故障排除时间,加快复电效率,具有重要的经济及社会效益。随着新型电力系统的数字化建设,越来越多的监测信息为线路故障判别提供了角度更多、细节更丰富的故障数据,同时也带来了信息冗余和数据融合的挑战。因此本文将从多源信息融合的角度着手对输电线路故障原因判别进行深入研究。首先,针对输电线路多源故障数据的信息融合问题,本文结合信息融合理论明确了特征层融合的数据应用方向,随后总结并细致划分了典型的故障特征研究成果,根据数据来源、结构和处理方式不同区分将故障特征区分为暂态波形特征和场景关联特征,基于机理分析和经验总结分别对两类特征进行分析和提取,形成原始特征池,以联合波形特征和关联特征作为信息融合研究的突破口。针对波形特征和关联特征的信息融合问题,本文首次在线路故障原因判别中引入多视图学习概念,提出了一种基于稀疏表示的层次多视图特征选择方法（Hierarchical Multi-view Feature Selection,HMVFS）。该方法建立了一个稀疏回归的目标函数模型,针对多视图特征具有的层次维度特点,在正则化项中引入Frobenius范数和l2,1范数实现高低维度的特征选择;同时为了改善one-hot标签的回归模型在多分类问题上的结果准确性,在损失函数中引入了ε-dragging技术以扩大不同分类类别的标签间距。基于实际故障数据进行算例分析,论证了单视图方法难以直接应用于信息融合,HMVFS凭借多视图学习的优势能有效提高故障分类性能,体现了信息融合的提升效果。其次,针对输电线路故障类内变化大、分类精度低下的问题,本文引入了动态集成选择技术解决故障原因分类中标签定义明确性不足的问题,提出了一种基于HMVFS和META-DES的输电线路故障原因判别方法。该方法首先结合前文研究,把故障特征区分为双视图特征进行学习,实现故障特征的优化组合;随后基于元学习理论搭建了META-DES框架的集成分类模型,模型中元分类器通过学习基分类器的指定性能指标,有针对性地为待测样本组合不同的基分类器来实现集成分类。基于实际故障数据进行算例分析,结果显示HMVFS和META-DES切实提高了分类模型对多类别故障原因的分辨能力,显著且稳定地提升了故障分类性能,验证了双视图融合和动态集成的可行性和有效性。综上所述,本文提出了一种基于多视图学习和动态集成学习的输电线路故障原因判别方法,为充分利用多源故障数据、实现有效信息融合提供了解决办法,该方法立足于实际故障数据的计算分析,展现的故障分类效果始终优于其他对比方法,能够为线路故障响应、缩短复电时间提供可靠的辅助决策信息。