近年来,伴随能源短缺、环境污染等问题的频发,实现对能源的有效监测及管理成为新的研究热点问题。这其中,监测居民家庭电力负荷使用情况及精准识别是实现能源有效监测的重要组成部分。出于经济性、信息安全等方面的考虑,非侵入式的家用负荷识别方案相比于侵入式的方案更具实际意义。针对现有基于传统图像特征的非侵入式家用负荷识别研究框架,本文在事件检测、特征图像构建、特征提取与识别三个方面进行研究改进,提出一种基于电压-无功电流（V-If）轨迹的非侵入式负荷识别技术方案。在该技术方案中,本文分别提出了复合累积和（Cumulative Sum,CUSUM）事件检测算法、V-If轨迹灰度图像构建方法、三胞胎卷积神经网络（Triplet Convolutional Neural Network,Triplet CNN）负荷特征提取和识别算法三个部分的改进,得到了更好的识别效果。首先,本文针对现有的两种事件检测算法存在不同情况下的错检和漏检问题,提出一种将快速事件检测算法与基于滑动窗的双边CUSUM算法相结合,对CUSUM算法检测到事件的窗口进行二次事件检测的复合CUSUM算法。该算法改善了基于滑动窗的双边CUSUM算法存在的漏检问题,并在真实数据集上验证了其性能。其次,为了解决现有的稳态电流波形图像和电压-电流轨迹图像存在对阻性负荷类间区分度小的问题,提出一种新的电压-无功电流（V-If）轨迹图像以及图像生成算法。阻性负荷中的稳态电流去除有功成分,剩下的无功成分经过归一化被放大,与电压数据结合生成区分度更大的V-If轨迹图像。同时将有功功率量化为图像灰度值,在不增加样本数据量的基础上进一步丰富负荷图像的电气信息,并在后续的负荷识别算法中验证V-If轨迹灰度图像的优势。着眼于构造的具有良好类间区分度的V-If轨迹灰度图像以及样本数据量较少的特点,设计了一种Triplet CNN网络用于非侵入式家用负荷特征的提取与识别。本文将V-If轨迹灰度图像和Triplet CNN网络结合起来一并在真实数据集上进行性能验证,结果验证了V-If轨迹灰度图像作为特征图像的优势以及Triplet CNN网络识别性能要优于Siamese CNN网络和同类型文献CNN网络的性能。