本文主要以复杂的变电站背景中的门型隔离开关和变压器两种电气设备为研究对象进行分析,针对两种设备识别提出了两套算法,分别是门型隔离开关的身份识别和状态识别算法以及变压器红外图像故障诊断方法。针对门型隔离开关的身份识别和状态识别的主要研究方法是:首先以传统数字图像处理技术为基础,提取门型隔离开关身份信息。其次,针对门型隔离开关特有的纹理特征以及颜色特征进行分析并提取适合的特征。最后,以机器学习技术为基础,提出一种特征融合方式,将整理好的特征向量进行特征融合,输入支持向量机进行二分类目标训练。经由支持向量机训练完成的模型判断隔离开关的开关状态,且由单特征图像分类与多特征融合图像分类对比显示,本文算法准确率更高。针对变压器红外成像下的故障识别的主要研究方法是:以新兴深度学习框架为基础,搭建基于VGGNet网络的故障点目标检测模型。在预训练图像集中对故障位置进行有效标定,然后利用训练样本进行训练,得到训练模型后,利用测试样本进行测试,得出故障准确率。最后提出一种改进全连接网络结构,使新模型比旧模型准确率更高。最终达到提升故障识别准确率的效果。本文充分结合传统图像处理技术的优点以及新兴深度学习算法智能识别的优势,以特征工程、数据挖掘、机器学习等多领域交叉知识为支撑,提出了门型隔离开关身份识别和状态识别以及变压器故障诊断智能识别解决方案,为“智能电网”建设提供一种新的思路。且本文算法经实验显示都具有有效性,对比测试显示,改进算法隔离开关与变压器故障的识别效果更好、准确率更高。