发电机定子是发电机组的关键部件,也是最容易发生绝缘故障的部件,定子绕组发生绝缘故障如不及时发现和处理,将会导致更严重的接地或短路故障,甚至产生发电机无法修复的严重后果。发电机定子绕组的寿命主要取决于其绝缘水平,而局部放电是定子绕组绝缘损坏的主要原因。因此,对发电机定子绕组局部放电在线监测关键技术进行深入研究具有重要的工程意义。本文选择高频电流传感器作为获取局部放电信号的传感器,对发电机局部放电在线监测中的去干扰问题和模式识别问题进行重点研究。本文所做具体工作如下:针对发电机定子局部放电信号的周期性窄带干扰抑制问题,提出一种基于Hankel矩阵和奇异值分解的窄带干扰抑制方法。该方法选择Hankel矩阵作为奇异值分解的轨迹矩阵;研究窄带干扰奇异值分解的规律,并在该规律的基础上利用K均值算法找出窄带干扰对应的奇异值,对窄带干扰进行重构,然后从染噪信号中将其除去。用该方法对染噪局部放电仿真、实测信号进行窄带干扰抑制,并与改进FFT阈值法、小波降噪的结果对比分析。结果表明:该方法对窄带干扰的抑制效果更好,能够有效保留原始信号的细节信息,波形相似度更高。针对发电机定子局部放电信号的白噪声抑制问题,提出一种基于二维奇异值分解的局部放电白噪声抑制方法。该方法通过广义S变换获取二维时频矩阵作为轨迹矩阵,克服了传统一维时域信号构建轨迹矩阵的局限性,可以同时反映出信号的时频域信息;并通过奇异熵增量曲率谱阈值法将白噪声对应的奇异值选择出来并置为0,将白噪声除去。用该方法对染噪局部放电仿真、实测信号进行白噪声抑制,并与自适应奇异值分解降噪、小波降噪的结果对比分析。结果表明:该方法的降噪效果更好,降噪后信噪比更高,波形畸变程度更小。针对发电机局部放电信号的模式识别问题,提出一种基于GS-SVD和QPSO-SVM的模式识别方法。通过广义S变换获取局部放电信号的时频信息,并通过奇异值分解（SVD）进行数据压缩,提出一种基于GS-SVD的特征提取方法;然后利用量子粒子群算法优化的SVM算法（QPSO-SVM）对得到的局部放电信号特征量进行分类;并与粒子群算法优化的SVM算法（PSO-SVM）和遗传算法优化的SVM算法（GA-SVM）进行对比分析,结果表明:该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。