随着电力系统中电气化程度的提高,大量冲击性、非线性电力电子装置的投入使用和新能源并网技术的接入造成电网的运行环境日益复杂,进而引发各类电能质量扰动,威胁电力系统的安全运行。因此,对电能质量扰动信号准确的分类和识别是改善电能质量的重要前提。但是,由于设备运行时产生的电磁干扰,以及扰动信号在采集过程中易被噪声混入,从而导致扰动特征被掩盖,影响准确识别。基于上述原因,本文从减少噪声对扰动特征的干扰、提高特征的有效性和优化深度学习模型的网络结构等方面入手,探究在噪声干扰和无噪声环境下电能质量扰动信号的识别问题。具体开展以下的工作:（1）基于改进小波阈值去噪算法的电能质量扰动信号去噪。根据小波分解后噪声分布的特点对阈值进行改进,然后引入可调因子使构建的阈值函数兼具传统软、硬阈值函数的优点,最后选取合适的小波基与分解层数对电能质量扰动信号实现去噪处理。仿真结果表明,在不同程度的噪声干扰下,改进算法对各类扰动信号均能得到较高的信噪比值。同时,能较好的保留原始扰动特征,使得后续扰动分类实验得到的识别准确率比去噪前大幅提高,验证了该算法的有效性。（2）基于小波时频图和AlexNet网络的电能质量扰动信号识别。通过小波连续变换提取扰动信号中的时频特征生成扰动时频图,然后运用深度学习模型能够自动提取更为深层特征的优势构建AlexNet网络,并将扰动时频图作为AlexNet模型的输入,最后通过预训练微调网络参数,在对模型的分类性能不断优化后实现扰动识别。仿真结果表明,该模型在无噪声环境下的识别准确率得到了有效提高,而且具有一定的抗噪性。（3）基于特征融合CNN-SENet-LSTM的电能质量扰动信号识别。分别采用1D-CNN和2D-CNN提取扰动信号与时频图的局部特征,以增强卷积网络特征提取的空间关联性,并引入SENet通道注意力机制用于提升网络模型对特征重要性的判别能力,再将两种特征融合后以序列的形式输入到LSTM中为其赋予时间依赖性,从而达到更好的分类性能。仿真结果表明,该模型相比其部分结构的子模型在分类性能上占据优势。同时,相较于前两种方法进一步提高了扰动信号在噪声干扰和无噪声环境下的识别准确率,验证了该模型的准确性和优越性。