饱和电抗器作为特高压直流换流阀的核心装备，运行中产生的振动声音包含大量的信息，其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验，并测量了不同铁心松动程度下的声纹信号；其次在声信号频谱主值区间内，根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率；然后对松动后的声纹特性进行分析，发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警；最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练，来消除声纹图中的冗余信息，并对不同松动程度下的特征进行独立映射，从而增强共同特征的学习能力。研究结果表明，该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%，优于传统深度学习算法，可为饱和电抗器在线监测提供重要依据。