随着科学的进步与技术的提高,船舶自动化程度越来越高,船上安装的电气设备较之前大幅度增加,对船舶电能质量的要求也越来越高。近几年,电力推进技术快速发展,再加上燃油船对空气污染比较严重,混合动力船与纯电力推进船发展迅速,这就对船舶电网的稳定要求更高。对电能质量扰动信号正确的识别,找出其产生的原因以及对应的解决方法至关重要,这是保证船舶安全航行的重要因素之一。因此本文提出了小波变换与卷积神经网络相结合的电能质量扰动识别分类方法,并进行了结果验证,证明本文方法的有效性。本文首先对电能质量扰动做了分析,研究了电能质量的定义,标准及分类等;本文主要研究12种电能质量扰动类型,并详细给出了每种扰动的数学模型,产生原因以及解决方法。因为深度学习需要大量的数据样本训练,而实际采集这么多数据比较困难,所以使用MATLAB对12种扰动类型进行了建模,每种扰动类型分别叠加了三种噪声信号,分别为30d B,40d B,50d B,每一类扰动信号生成500组数据样本,一共生成18000个数据样本。其次介绍了各种小波变换的基本原理,对信号处理提供了理论基础。本文使用MATLAB软件对电能质量扰动信号进行处理,用连续小波变换对生成的一维信号做处理,生成信号时频图,将一维数据样本转变为二维图像样本,将其传入卷积神经网络进行分析与识别,并采用多种方法对信号进行了去噪处理,对比了不同去噪方法的效果,选用了适合本文研究内容的去噪方法,并验证了信号去噪后的识别分类效果。最后介绍了卷积神经网络模型结构特点,卷积,池化及分类工作原理,卷积神经网络典型模型以及神经网络训练的优化算法等,并用MATLAB软件搭建了卷积神经网络用于仿真验证本文方法的有效性。搭建卷积神经网络模型时首先设置网络的基础参数,然后利用分类结果对初始参数进行修改,使卷积神经网络更适用于电能质量扰动信号的识别分类研究,最后对识别分类结果做讨论,该方法可实现扰动信号的分类,且识别分类准确率较高。本文提出了一种新的电能质量扰动信号识别方法,首先对数据样本预处理,利用小波变换将一维信号映射为二维图片,然后输入神经网络,通过卷积神经网络各层的运算,对图像进行分析并完成分类,该方法不用人为选取特征输入神经网络,操作简单,训练时间短,平均识别分类准确率达到98.7%以上,且添加不同的噪声信号分类结果差别不大,具有抗噪性,满足电能质量扰动识别的要求。