近年来，随着经济高速发展，电网规模不断扩大，电力线路的安全运行也越来越重要。准确识别电力线路故障时的故障类型，对于整个电力系统是极其重要的组成部分，它在供电安全上发挥着十分重要的作用。本文在电力电缆故障基础上，从人工神经网络基本理论出发，在电力电缆故障系统建模、故障仿真等方面进行了较深入地研究，并实现了电缆短路故障类型分类。首先，论文对电力电缆故障研究现状和发展趋势以及神经网络技术的发展和研究现状进行了介绍，对传统的模式识别技术进行研究，尤其是K均值聚类方法的研究分析，了解了K均值聚类的应用性能和应用范围，并且应用K均值聚类方法识别出电缆故障类型。其次，论文对人工神经网络多分类算法进行研究，首先总结了目前常用的神经网络算法，无教师的Hebb学习方法和误差反向传播的BP算法等，都是传统的分类算法。BP算法则是以梯度下降法为基础的，该梯度下降法是一种有教师的学习方法。同时介绍了学习向量量化神经网络算法（LVQ神经网络算法），该算法是在有教师状态下对竞争层进行训练的一种学习算法。与无教师状态下的神经网络算法相比较，LVQ神经网络算法能够更加准确地对所需识别对象进行类型识别。而LVQ神经网络中采用的竞争规则为胜者为王的规则，该规则只针对竞争获胜神经元进行权值调整，对其他任何神经元都是“封杀”式的抑制，所以本文改进了LVQ神经网络中胜者为王的权值调整方法。同时论文在电缆故障识别系统的基础上，详细介绍了系统电压信号的获取与调理电路设计，以及数据采集卡的选择及参数设定等。最终论文将改进的LVQ神经网络应用到电缆故障识别系统中，通过实验仿真成功实现了电缆故障类型的识别分类。最后，论文提出了应用K均值聚类和改进的学习向量量化神经网络相结合的形成的LVQK分类器模型，利用在权值上改进的学习向量量化神经网络和K均值聚类的不断反复迭代运算来调整分类器的聚类质心，用该结合的LVQK算法对电缆短路的四种故障类型进行识别取得了较好的效果。并且用改进的LVQ神经网络实现了多类分类，改进了传统LVQ网络分类器的随机性，提高了对象识别分类的准确性和可靠性。最终将该方法应用到实验室搭建的电力电缆故障识别系统上，实现了电力电缆四类短路故障的最优分类，即对单相短路、两相短路、两相接地短路和三相短路四种状态的最优分类，同时提高了分类器的有效性。