变压器是电力系统中的关键性设备,它的运行影响着电力系统的安全性、可靠性和稳定性,因此必须防止和减少变压器故障的发生。但变压器在长期运行过程中,由于绝缘老化、外力破坏等因素的影响,发生故障不可能完全避免。变压器的故障机理和故障原因的复杂性,给变压器故障诊断带来了巨大的挑战。对变压器进行故障诊断,有利于发现变压器的早期潜伏性故障,进行及时的状态维修,减少事故容量损失率、提高电网的供电率,取得巨大的经济效益。因此,变压器故障诊断技术研究具有重要的现实意义。变压器的故障诊断是一个从故障信息到故障类型间的非线性映射过程,无法用精确的数学模型描述,而且变压器发生故障时,获取大量的故障样本比较困难。因此传统的故障诊断方法在应用时具有局限性。而神经网络具有良好的非线性逼近能力,支持向量机适合小样本分类。鉴于神经网络、支持向量机的这些优点,本文重点研究了神经网络、人工鱼群神经网络、支持向量机在变压器故障诊断中的应用。本文的主要工作包括：(1)鉴于BP神经网络的非线性逼近能力和L-M算法收敛速度快的特点,本文提出了基于L-M算法的变压器故障诊断方法。利用MATLAB的神经网络工具箱对所提出的故障诊断方法进行仿真,并对训练样本的选择、输入输出层、隐含层的设计以及训练算法的选择等问题进行分析与讨论。通过实例测试,该方法能够较好地实现对变压器的故障诊断。(2)鉴于人工鱼群算法具有良好的克服局部极值、取得全局极值的能力,本文提出了基于人工鱼群神经网络的变压器故障诊断方法。利用人工鱼群算法训练神经网络,并对影响网络性能的参数进行讨论,最后进行测试。测试结果表明,该方法的诊断精度高于BP神经网络。(3)针对二叉树支持向量机的缺点,本文提出了将类间分离性测度和二叉树支持向量机相结合的变压器故障诊断方法。首先利用类间分离性测度计算出最易区分的类,建立变压器故障诊断模型。接着对该模型的各级支持向量机进行训练。最后进行性能测试,结果表明该模型能够很好的对故障样本进行分类。