变压器是保证电力系统安全稳定运行的关键设备之一,油中溶解气体分析（Dissolved Gas Analysis,DGA）是诊断变压器故障的重要手段。而油色谱在线监测技术是目前监测变压器油中溶解气体最有效的方法之一。变压器油色谱在线监测技术的特点:没有人工操作,系统自动完成油样采集、油气分离、多组分气体逐一分离、色谱峰识别及故障诊断等功能。在变压器油色谱在线监测技术中,准确的色谱峰识别是变压器故障诊断的前提。为提高变压器油色谱在线监测装置的可靠性,本文分别针对在线监测装置在长时间运行后存在色谱峰位置偏移情况,提出了基于C4.5决策树的变压器色谱峰识别算法;针对传统BP神经网络变压器故障诊断模型准确率不高的问题,提出了基于自适应多子群樽海鞘群算法（Adaptive multi-group slap swarm algorithm,AMSSA）的BP神经网络变压器故障诊断模型。本文的主要工作如下:（1）回顾了变压器油色谱在线监测技术的背景,分析了该技术中变压器色谱峰识别和故障诊断两方面的内容,总结了目前主流方法的优缺点以及今后发展的趋势。（2）简述了变压器油色谱在线监测技术和机器学习的一些基本理论。在变压器油色谱在线监测技术中,重点突出了变压器色谱峰的识别难点以及油中溶解气体产生的原因。在机器学习方法中,重点讨论了C4.5决策树算法以及BP神经网络模型的基本原理。（3）针对变压器色谱峰移动导致对气体色谱峰的误判和漏判现象,提出了一种基于C4.5决策树算法的变压器色谱峰识别方法。C4.5决策树对于根节点选取时,采用二分法对连续属性进行离散化处理,本文提出的方法根据此过程得到色谱峰特征属性的自适应阈值,从而达到色谱峰正确识别的效果。利用色谱峰测试样本集对该算法进行测试,准确率达到95.23%。（4）针对传统BP神经网络变压器故障诊断模型准确率不高的问题,提出了一种基于AMSSA-BP神经网络的变压器故障诊断模型。该模型采用AMSSA算法优化BP神经网络中的初始权值和阈值以此来提高变压器故障诊断模型的性能。其中,本文提出自适应代数交流机制和多子群机制来提高樽海鞘群算法的性能,使其进一步适应BP神经网络算法。利用465条变压器故障数据进行测试,实验结果显示本文提出的改进模型与传统BP神经网络变压器故障诊断模型相比,准确率上升了7.78%。