作为电力系统最重要的组成部分，以及电网供电可靠性的保障，电力变压器一旦发生故障，通常会引起电力系统的崩溃和严重的经济损失。资料表明，导致变压器故障的主要原因是其绝缘性能的劣化，因此为了提高绝缘的可靠性，目前各国都在发展可以对变压器在运行状态下进行实时或在线监测诊断的状态维修，其中局部放电的模式识别是当前的研究热点之一。但是由于变压器结构的复杂性，局部放电的不确定性，运行现场存在的大量电磁干扰，以及识别算法的不成熟，这些都给局部放电的检测、定位和识别分类造成了很大的困难。本文在查阅国内外大量关于变压器局部放电、模式识别、人工神经网络方面的文献基础上，做了如下的一些研究工作：本文对模式识别系统的概念和结构进行了简要的描述，然后特别从分类器设计的角度详细地分析了模式识别系统中的几个重要问题，包括特征空间的设计、分类器设计的准则和基本方法、判别函数的选取及参数的确定、系统的训练和学习等，这是本文的总体框架和理论基础。本文概括了局部放电信号中所包含的多种干扰信号的来源，对当前实际应用中常见的各种类型的干扰抑制方法进行了一个归纳，然后根据相关的文献资料，论述了四种局部放电模式识别中常用的放电特征量：三维列表数据特征、局部放电统计特征、局部放电图像灰度矩特征和局部放电时频特征，并对特征量的可分性测量进行了讨论。本文论述了ATR1神经网络的结构和工作原理，并介绍了模糊理论的由来、发展及应用，然后着重分析了一种模糊ART神经网络的结构和算法。模糊ART神经网络将模糊理论与ART1神经网络相结合，模糊集合的特点与运算规则的带入，使ART1网络的输入模糊化，使得网络可以进行模拟量的运算，弥补了ART1网络的输入只能为二进制的缺陷，这是一种自组织模糊神经网络，能够进行非监督实时学习，比较适合应用于模式识别研究。本文借鉴了前人文献中对五种不同局部放电模型进行的放电实验，并得到了各放电模型的三维谱图，再将谱图经过处理得到的列表数据特征量作为神经网络的输入量，分别用模糊ART神经网络和BP神经网络在MATLAB的软件环境下进行了模式识别的仿真实验。实验结果表明，相对于传统的BP神经网络，ART神经网络在识别率，识别速度和稳定性上都有较为明显的优势，在局部放电的模式识别领域有很好的实用价值和应用前景。