随着电力电子技术的大规模应用、分布式发电和众多精密负荷的广泛接入,电网电能质量面临越来越多的新挑战。复杂多变的电能质量扰动不断威胁着电力用户的用电安全,电网中的电能质量问题已经成为科研人员的研究重点。在电能质量问题的研究中,电能质量扰动信号的正确识别有助于对扰动进行重现和溯源,进而实现扰动的分析和治理,对确保电力系统的安全稳定运行和改善系统的供电质量具有十分重要的意义。本文从深度学习的角度出发,开展了对基于深度学习算法的电能质量扰动分类识别的研究。论文的主要工作如下:阐述电能质量相关标准,搭建电能质量单一及复合扰动信号模型。介绍了7种单一电能质量扰动信号及5种复合扰动信号的产生原因与危害,并对这12种扰动信号进行仿真,获得扰动信号样本,为后续实现多种深度学习算法对电能质量扰动的识别分类提供特征数据集。研究基于深度残差网络的电能质量扰动识别方案。利用残差模块实现卷积神经网络结构的加深,从而解决深层分类网络的退化问题。探究深度残差网络模型参数配置对扰动分类识别的影响,确定适用于电能质量扰动识别的深度残差网络结构。算例结果表明深度残差网络能够改善既有网络的网络退化问题,并且具有更高的扰动识别准确率和噪声鲁棒性且网络的收敛速度更快。研究基于深度可分离卷积神经网络的电能质量扰动识别方法。利用可分离卷积实现在保证扰动信号识别精度的同时减少网络模型的计算量。使用深度可分离卷积神经网络与标准卷积神经网络对12种扰动进行分类识别,就两种网络模型的参数量、计算量以及准确率进行对比,结果表明深度可分离卷积神经网络的参数量与计算量均低于标准卷积网络,并且具有更高的噪声鲁棒性和准确率。研究基于W-GAN（Wasserstein距离生成对抗网络）的数据增强方案。利用W-GAN的对抗学习能力,解决因原始扰动信号数量不足导致识别网络泛化性能下降的问题。生成器与判别器进行多次对抗训练,逐渐学习到电能质量扰动信号的真实概率分布。利用已经训练好的生成器对扰动信号的小样本数据进行数据增强,并将真实扰动数据与生成的扰动数据结合作为训练集对网络进行测试,算例结果表明W-GAN能够有效地学习扰动样本的概率分布,提升模型的泛化能力。综上,本文研究了两种用于电能质量扰动识别的深度学习方法,分别从解决深层网络的退化问题以及减少网络模型的计算量、参数量出发,提出了深度残差网络和深度可分离卷积网络,这两种网络均有较高的识别准确率。针对可能存在的扰动样本不足问题提出了基于W-GAN的数据扩容方案,为小样本扰动数据的识别提供了新的研究思路。