当代电力系统的电源特性、电网结构和负荷结构正在发生着深刻变化,各种非线性、冲击性和不平衡负荷在电网中大量投入使用,造成一系列电能质量问题,而电气设备对电能质量的敏感性不断增强。电能质量扰动的有效识别能为电能质量的管理治理提供辅助决策,带来巨大的经济效益。在总结分析前人研究成果基础上,本文分别对单一电能质量扰动和复合电能质量扰动识别进行研究。在单一电能质量扰动识别方面,分别从小波变换和S变换两方面进行研究。在采用小波变换进行单一电能质量扰动研究方面,采用小波变换提取能量分布差特征,采用支持向量机(support vector machine, SVM)作为分类器。在已有电能质量扰动识别研究中,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用SVM分类时训练样本通常只含某一种强度的高斯白噪声。针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数：训练样本采用不同信噪比(signal-to-noise ratio, SNR)条件下的信号样本来训练SVM分类器,增强了SVM的分类能力。仿真实验表明,该方法提高了电能质量扰动识别准确率；在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到97.52%。在采用S变换进行单一电能质量扰动研究方面,提出一种新的电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform, FFT)结合动态测度法提取3种特征以及S变换提取4种特征；采用决策树和SVM设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先把扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类；决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随SNR变化难以确定的问题。仿真实验表明,该方法能够准确识别包含两种复合扰动在内的11种电能质量扰动信号,SNR低至20dB时准确率仍达到96.50%；且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。复合电能质量扰动研究方面,提出了一种复合电能质量扰动识别方法。首先采用S变换提取5个特征以及FFT变换结合动态测度法提取6个特征,这些特征从基频、中频、高频、基频标准差、频谱极值点对称和变化幅度等各个方面刻画扰动信号的特征,充分考虑了单一扰动相互影响而造成的特征混叠或失效问题；然后构建8条基于规则基"IF-THEN"形式的分类器,提取的特征序列输入到基于规则基的分类器中进行扰动识别。仿真结果表明,在一定噪声条件下,所构建的自动分类系统能准确识别包含8种单一扰动类型和18种双重扰动类型的复合电能质量扰动。