由于煤矿井下复杂多变的工况导致供电系统线路故障无法彻底避免,当发生故障后必须准确快速处理故障以保障矿井顺利生产和人员人身安全,而正确识别故障类型是对线路进行安全快速修复的关键。针对目前现有故障诊断算法准确率不高的问题,提出了一种基于多信息融合的智能矿井输电线路故障诊断方法。首先通过改进的自适应噪声完备集合经验模态分解算法（Improved Complete Ensemble EMD with Adaptive Noise,ICEEMDAN）对获得的故障信号进行模态分解,引入相关系数对模态分量进行筛选并利用能量熵、排列熵和模糊熵从三个角度提取筛选后模态分量的特征信息,构成多信息融合特征数据集;为了对获得的高维故障特征数据集进行降维,降低高维数据存在的稀疏性和多重共线性,分别利用多维尺度缩放法（Multiple Dimensional Scaling,MDS）、主成分分析法（Principal Component Analysis,PCA）、线性判别分析法（Linear Discriminant Analysis,LDA）和局部线性嵌入法（Locally Linear Embedding,LLE）对其进行降维处理,通过引入特征保留目标函数、类别分离参数和降维所用时间三个性能指标对四种算法降维性能进行评价,结果证明针对故障特征数据MDS算法在性能上更具优势。然后引入樽海鞘群算法（Salp Swarm Algorithm,SSA）并对该算法进行改进,通过在种群位置更新方式上引入种群信赖机制和突变机制,在加快算法收敛速度的同时增强了算法的收敛能力。通过利用测试函数对改进SSA、SSA、粒子群算法（Particle Swarm Optimization,PSO）、灰狼算法（Grey Wolf Optimizer,GWO）和β-GWO算法的寻优速度和寻优能力进行实验对比,验证了改进SSA算法的优越性。最后使用改进SSA算法对MDS最优降维参数和支持向量机（Support Vector Machine,SVM）的C、g参数联合寻优,进而构建出煤矿井下输电线路故障诊断模型。分析比较该模型与常用算法优化的SVM故障诊断模型、BP神经网络（Back Propagation Neural Network,BPNN）、K最近邻（K-Nearest Neighbor,KNN）以及随机森林（Random Forest,RF）故障诊断模型对故障类型识别的准确率,结果证明提出的故障诊断模型具有较强的泛化能力,故障诊断准确率高于其它算法模型。该论文有图42幅,表11个,参考文献81篇。