基于高速公路机电集控系统（Supervisory Control And Data Acquisition,SCADA）的电气量数据进行故障检测是智能交通系统中的一项关键技术,对高速公路机电系统的状态感知和管理运维具有重要意义。为了解决目前高速公路桥梁机电设备状态感知有效手段缺乏的问题,针对机电设备在电气量监控系统中反映出的变化,对跳闸故障进行检测,并对具体故障类型进行分类,是本文主要的研究内容。首先,基于泰州大桥机电系统的组成和结构,研究了泰州桥机电系统电气量数据获取方案,分析了反映泰州大桥机电设备状态的SCADA电力系统参数结构,构建了基于泰州桥电力数据结构的电气量信息矩阵。其次,研究了用于跳闸故障检测的稀疏栈式自编码模型（Stack Sparse Auto Encoder,SSAE）和分类器模型,实验结果表明,双层栈式自编码模型的特征提取性能优于单层和三层栈式自编码器,其降维数据在高斯核SVM分类器下的分类结果优于线性核、多项式核以及Sigmoid核;稀疏表征的自编码器网络可有效提高特征提取性能,其分类精度达到89.8%。然后,研究了用于故障类型分类的常规循环神经网络模型,实验结果表明基于长短期记忆网络的故障分类模型（Long Short Term Memory-Fault Classification Model,LSTMFCM）优于基于经典循环神经网络的故障分类模型（Recurrent Neural Network-Fault Classification Model,RNN-FCM）和基于门控循环单元的故障分类模型（Gate Recurrent Unit-Fault Classification Model,GRU-FCM）,其训练精度达到94.77%,验证精度达到88.84%。最后,提出了一种基于深层稀疏结构的长短期记忆网络融合模型（Fused Stack Sparse Long Short Term Memory,FSS-LSTM）,该网络通过对多层LSTM网络结构添加稀疏性约束,以提高分类效率,计算单元采用LSTM网络的输入门、遗忘门和输出门控制记忆细胞的信息,采用将浅层网络输出在时间维度上融合的融合规则,融合后的高维向量进入深层网络再训练。实验结果表明,所提出的基于深层稀疏结构的长短期记忆网络融合模型性能优于常规循环神经网络的电气量故障分类方法,其训练精度达到97.15%,测试精度达到93.34%。