在电力行业快速发展的时代,电力变压器对维护电力系统的安全稳定变得越来越重要。一旦变压器发生故障对人力和物力造成不可估计的后果,因此维护变压器的安全稳定运行势在必行。如何及时、尽早、准确地判断变压器的潜在故障,一直以来都是研究者不断研究的课题之一,由于传统的电力变压器故障诊断的研究所采用的数据存在数据来源比较单一的现象,并且变压器数据存在结构化、半结构化和非结构化的现象,使得处理起来变得困难,从而造成了准确性的效果还存在一些不足,不能很好地满足人们的需求,因此本文针对这一背景下提出了多源信息融合技术在变压器故障诊断领域的方法。本文首先对变压器故障和多源信息融合的研究现状进行了总结,并对多源信息融合的层次的知识做出了相应的研究。讨论了信息融合技术在军事上和民事上的应用场景。介绍了深度信念神经网络算法的模型、构造和训练方法,并进行了模拟训练,通过模拟实验发现了模型的准确率随着迭代次数变化的趋势。然后本文结合深度信念神经网络和D-S证据理论算法构造了变压器故障诊断的模型和算法流程图。以变压器油中溶解的气体和局部放电量作为模型的输入数据,通过将深度信念网络与D-S证据理论相结合,并且经过反复训练网络与调优,使算法准确率达到最好。最后通过将本文提出的算法与传统的神经网络和D-S相结合的算法进行了实验对比,在此有力的证明了本文提出的算法的合理性。通过试验表明了本文提出的多源信息融合技术应用于变压器故障诊断的正确性,解决了传统方法数据单一的特点,为保证电力系统的安全运行提供了决策依据。