交联聚乙烯（Cross linked polyethylene,XLPE）电缆因其性能良好而被广泛应用。XLPE电缆在运行过程中会受到多种因素影响,绝缘性能逐步下降,甚至导致绝缘故障。作为电缆早期绝缘故障的主要表现形式,局部放电不仅是导致绝缘老化的主要原因,也是表征绝缘状态的主要特征量,局部放电的模式有很多种,准确的模式识别对于评估电缆运行状态至关重要。在传统的局部放电模式识别研究中,使用方法多为浅层机器学习算法,虽能在一定程度上实现有效判别,但识别能力有限。在此背景下,本文根据项目实际需求提出基于Tensor Flow深度学习框架的栈式稀疏降噪自编码器（Stack Sparse Denoising Auto-Encoder,SSDAE）算法模型,来提高XLPE电缆局部放电模式识别准确率,并开发相应的局放辅助分析软件,为XLPE电缆局部放电模式识别提供准确便捷手段。本文针对XLPE电缆局部放电模式识别,主要进行了以下研究工作:（1）搭建了XLPE电缆局部放电模拟实验平台,模拟了4种XLPE电缆局部放电缺陷,利用HD-iPD局部放电特高频检测系统对局部放电信号进行测量,获取了XLPE电缆局部放电原始采集数据,利用随机森林方法进行数据预处理,构造出局部放电二维、三维图谱,并采用Matlab获取二维图谱统计特征参数。（2）将上述获取的统计特征参数样本集划分为训练集和测试集,利用训练集对SSDAE算法模型进行训练。为提高所建模型的泛化能力,在输入量中加入高斯白噪声,明确了高斯白噪声比重对模型识别准确率的影响;为确保模型的识别性能最优,确定了隐藏层层数为3层,每层包含37个神经元;选取交叉熵损失函数,去掉模型原有的解码层并加入Softmax分类层,利用反向传播算法完成模型内部参数最优选择。（3）为验证本文方法的有效性,将测试集分别代入决策树、支持向量机、随机森林、BP神经网络、栈式稀疏自编码器以及SSDAE 6种算法模型。结果表明,本文方法的平均查准率、平均查全率、总体识别准确率均高于其他方法,平均查全率可达到93.6%、平均查准率可达到93.48%、总体识别准确率可达到95.4%。在上述工作基础上,基于Visual Studio 2013开发环境及.NET Framework 4.0框架,对XLPE电缆局放辅助分析软件进行开发设计,包括二维/三维局部放电图谱的展示、统计特征参数计算的模块化封装以及算法脚本文件的调用,实现了局放数据的诊断与报告生成,为SSDAE算法在局部放电中的分析应用提供了基础平台。