随着社会经济的发展,近年来住宅用户中能源消耗速度逐年加快,导致日益严重的能源短缺和环境污染问题,提高能效、有效节约能源成为当前亟待解决的问题。负荷监测实现能源控制和故障监测的同时,有利于用户高效节约能源,因此实现负荷监测对节约环保型社会的构建至关重要。非侵入式负荷监测因其低成本、易实施、安装维护方便等优点,成为当前负荷监测的研究热点。本文在非侵入式负荷监测背景下,以典型家用电器为研究对象,结合深度学习技术,研究非侵入式的家用电器识别方法。主要从以下几个方面研究:(1)首先,搭建硬件实验平台,采集电器稳态运行的电压和电流数据,完成数据采集工作,并对信号进行仿真和特征分析,以及预处理,进而提取电器的一次特征电压-电流(Voltage-current,V-I)轨迹图。(2)基于深度学习的家用电器识别。首先,针对采集的电流数据存在噪声干扰,导致V-I图不可用问题,提出一种基于有限域的V-I图数据筛选算法,利用不同参数筛选的V-I图,构建V-I图数据集,并结合深度学习网络,寻找最优筛选参数和识别效果最好的电器数据集。然后在经典网络基础上,对网络改进,从模型深度、学习率、迭代次数这三方面进行网络训练实验,从而设计用于家用电器识别的网络结构。(3)采用传统方法,对V-I轨迹图提取HOG局部特征和相对像素面积的形状特征,并进行家用电器识别。从图像层面上,对电器V-I图提取HOG局部特征,从轨迹形状层面上,提取相对像素面积特征,并结合支持向量机,用两种传统方法分别实现对家用电器的识别。(4)基于深度迁移学习的电器识别。为解决新增家电无法识别,而重新训练需要耗费大量时间,且家用电器的V-I数据样本量小,导致识别效果不理想的问题,本文结合迁移学习技术,研究基于深度迁移学习的电器识别方法,将权值迁移与电器识别相结合,获得较高的电器识别准确率。最后,将本文方法与传统的电器识别方法进行对比。对比结果表明,本文方法更具优势。