随着我国的发电量和电力系统容量的不断增长,对高压开关等设备的需求数量也在不断增加。高压断路器属于重要的高压开关设备,它通过对电路的关合、开断,来实现对整个电力系统的保护与控制。在高压断路器合闸的过程中,其内部机构由于发生冲击会引起机械振动,而这些机械振动信号中包含了大量的可反应高压断路器状态的信息。所以,要判断高压断路器的机械状态,可以从分析其机械振动信号着手。本文主要对VJ12型真空断路器的振动信号进行了研究,对通过实验测得的其在正常状态与5种故障状态（合闸无法保持、分闸弹簧断裂、软连接松动、绝缘拉杆松动以及单相触头磨损）下产生的合闸振动信号进行了分析,通过小波包—能量熵、VMD（变分模态分解,Variational Mode Decomposition）-SVD（奇异值分解,Singular Value Decomposition）这两种信号分析方法提取断路器振动信号的特征量,然后采用了BP（反向传播,Back Propagation）神经网络与经过PSO（粒子群优化算法,Particle Swarm Optimization）优化的BP神经网络对特征量进行识别分类,根据不同的特征量提取方法与神经网络分类结果进行对比。主要工作和成果如下:（1）建立小波包—能量熵的模型提取VJ12型高压真空断路器的合闸振动信号特征向量。首先对高压断路器的振动信号进行4层小波包分解;再通过求第四层拆分得到的小波包系数序列的平方和,可得到2~4个序列,代表分解得到的16个频带的能量;最后计算每个能量序列的能量熵,从而得到所分析的振动信号对应的特征向量。（2）建立VMD-SVD的模型提取高压真空断路器的特征向量。首先对高压断路器振动信号进行变分模态分解,提取主要的5个IMF（本征模态函数,Intrinsic Mode Function）模态分量;再用SVD奇异值分解处理经过变分模态分解得到的振动信号的各IMF模态分量组成的矩阵,从而得到VMD-SVD特征向量。（3）通过神经网络对振动信号特征量识别分类,并寻求最优的分类方法。将小波包—能量熵特征量与VMD-SVD特征量作为样本,再分别采用普通BP神经网络与PSO-BP神经网络（经过粒子群算法优化的BP神经网络）进行识别与分类。仿真实验的结果显示,VMD-SVD特征量在经过粒子群优化的BP神经网络分类方法下的识别率最高,部分状态识别率达到了100%。实验结果表明采用VMD-SVD方法能够更准确地提取断路器的故障特征;将粒子群优化算法优化过的BP神经网络应用到高压断路器故障诊断中,相比传统的直接使用BP神经网络进行识别与分类拥有更高的识别率,从而也就使得高压断路器故障诊断的可靠性提高了。