在电力系统中,变压器能否正常稳定的工作将直接影响电网的安全运行。一但变压器发生故障,将可能导致大面积或整个电网的瘫痪,对人的生活造成巨大的影响和巨大的社会经济损失。因此,对变压器进行实时的监测其运行状态,尽早发现、诊断、解决变压器潜在的故障就显得至关重要。近年来,随着人工智能技术的飞速发展及“智能电网”政策的实施,以人工神经网络为主的模式识别在电力系统的故障诊断领域得到了广泛的应用。就变压器而言,传统的诊断手段已经不能满足快速、精准、智能地诊断变压器故障类型的要求。因此,本文提出一种改进的AlexNet网络模型,用以识别油浸式变压器的温度,判断其是否为正常工作或者某一区域温度过高已经发生故障。首先,利用红外热像仪采集油浸式变压器不同工作状态下的红外热像图,并针对油浸式变压器工作环境中存在大量高斯噪声和椒盐噪声的特点。本文最终采用高斯滤波算法结合中值滤波算法的方式,去除油浸式变压器红外热像图中的高斯噪声和椒盐噪声。接着,采用基于小波变换的图像增强算法对油浸式变压器的红外热像图进行增强处理,使图像更加清晰、特征更加明显,为后续神经网络提取特征奠定了基础。然后,再利用数据扩充的方法对经过图像预处理的数据集进行数据扩充,以增加数据样本的多样性。接着将扩充后的数据集利用微调后的LeNet、AlexNet以及VGG-16神经网络分别对其进行训练,并分析其各个模型的识别准确率以及损失值。通过Matlab实验对比发现AlexNet网络的准确率比其他网络更高,识别效果更好,因此本文在原AlexNet网络模型的基础上,对其进行改进。接着,改进AlexNet网络模型。本文首先从卷积层中卷积核的个数以及卷积层的层数讨论对神经网络模型识别准确率的影响,最终确定卷积核个数为16,卷积层层数为4时,神经网络识别率最高为99.0%,解决了原AlexNet网络由于结构过于复杂,导致出现的网络过拟合问题。接着利用Leaky ReLU激活函数代替原ReLU激活函数,解决了 ReLU激活函数在输入是负数时,神经元不学习无法提取特征的问题。最后,改进的AlexNet网络识别准确率为99.2%,比原AlexNet网络提高了 2.4%。