高压输电线路故障类型的准确诊断与判别是快速定位故障位置、切除故障段以及恢复供电的前提,也是有效降低用户经济损失、保证电力系统稳定运行、安全可靠供电的关键。高压输电线作为连接区域电网的骨干网架,遍布电网的各个角落,大部分在室外环境甚至环境恶劣复杂的偏远山区,平时人工维护困难,导致输电线路是电网中发生故障概率最高的部分。随着计算机技术和人工智能算法的蓬勃发展,机器学习方法被运用在人类生产生活的各个方面,并取得丰硕成果。因此,对基于机器学习的输电线路故障诊断问题进行研究对电力系统稳定运行具有重要意义,具体工作如下:在分析研究输电线路故障类型、短路原因、运行方式以及数学模型的基础上,本文在Matlab/Simulink仿真平台上搭建220k V高压双端电源的Π型等效线路数显仿真模型,对输电线路各类常见故障进行仿真,分析其故障暂态信号特征。在较小时间窗下,采集不同工况和不同运行状态下的输电线路三相暂态电压、电流数据,为了有效区分两相接地故障和两相短路故障,引入零序分量特征进行辅助判断。针对不同机器学习算法特点,通过编程建立不同类型的输电线路故障数据集。利用多尺度排列熵（MPE）对微弱信号检测敏感性的特点,克服诊断故障类型过程中在强电源侧电压信号微弱的问题。本文提出构建一种提取输电线路故障时的三相电压及零序分量信号的多尺度排列熵值作为故障特征,并结合传统粒子群算法优化的支持向量机（PSO-SVM）的输电线故障诊断方案。用采集的样本数据和少量实际数据进行验证,证实了此方法的准确性及工程适用性。并与其它机器学习算法加以比较,分析本文所构建的故障诊断方案在少量样本数据时的优异性能。对于浅层机器学习模型比如SVM算法等,有需要人为提取特征的局限性,在针对少量数据时具有良好的表现。但针对大数据集,利用深度学习中的卷积神经网络（CNN）模型在数据处理中强大自主的特征提取与识别能力,本文提出构建识别输电线路暂态故障电流信号的CNN诊断模型。通过设置对比实验确定网络模型的具体结构及其最优参数,用原始三相暂态电流及零序分量故障数据驱动进行学习训练,并与其他传统机器学习模型进行对比,证实了本文构建的CNN模型能有效完成故障类型识别及故障选相,具有有效性、实用性和先进性。