气体绝缘开关柜（Gas-Insulated Switchgear,GIS）广泛运用于当代电力系统,其绝缘状况与电网的安全稳定息息相关。局部放电是反映电力设备绝缘缺陷的重要指标,针对局部放电信号的特征学习与模式识别方法的研究具有重要意义。局部放电模式识别任务具有鲜明的特点,例如真实局部放电事故发生概率小,数据难以获得。当前研究主要依靠物理仿真数据,但仿真数据依旧存在样本不足、多样性缺乏等问题。此外,真实变电站环境存在复杂的干扰信息,对识别算法的泛化性提出更高要求。当前局部放电模式识别算法大多基于特征工程或深度学习方法,取得较大发展的同时仍有诸多问题。人工先验知识推动的特征工程耗时耗力,特征质量依赖专家经验,表达能力弱。而基于深度学习的方法在小样本条件下,存在较大过拟合风险。当检测具有复杂干扰的局部放电数据时,两类方法均暴露出鲁棒性不足的缺点。针对上述问题,本文提出了一种基于双视角GIS局部放电信号的特征提取与模式识别方法,其主要工作及创新点如下:第一:数据处理层面,本文提出了一种基于局部放电数据特点的数据增扩方法,保留原有数据主要信息的前提下,丰富了数据多样性。同时,本文将局部放电数据进一步转换为局部放电灰度图的形式,利用灰度图的像素信息以及空间结构信息将放电数据所含相位、幅值、放电次数统一地联系起来。第二:模型设计层面,本文提出了一种基于双视角的局部放电特征学习与模式识别网络,该网络输入为同种标签下不同形式的局部放电灰度图,视为该数据的两个视角。同时,本文引入了基于最大化编码与输入之间互信息的无监督特征学习方法,用于获取高质量的编码特征。此外,受人类多视角认知机理启发,本文进一步最大化双视角特征之间的互信息实现特征层面的正则化,有利于提升特征的表达能力。最后,基于双视角模型带来的双通道结构,引入自适应集成策略,设置自适应权重用于衡量每一个视角通道对最终结果的贡献比例,使得性能再一次提升。实验表明,本文所提方法是有效的,尤其当面对具有复杂数据干扰的局部放电数据时,相比于其他方法,本文方法可以获得更高质量的特征以及更佳的泛化性能,具有较强的实际使用价值。