随着电力信息物理系统（Cyber-Physical Power System,CPPS）的发展,现代电力系统收集到大量数据,这些丰富的数据是系统运行状态的特征表现,为从数据模型的角度分析系统行为,构建数据与运行状态之间的关联提供条件。由于人工智能技术（Artificial Intelligence,AI）具有强大的数据分析学习能力,其在负荷预测、稳定性评估、故障辨识等电力系统领域的应用研究已经取得一定的进展,尤其是机器学习技术,其自动学习数据特征的能力备受青睐,而深度学习技术更是引起了研究热潮。本文基于机器学习的卷积神经网络（Convolutional Neural Network,CNN）算法,以输电线路和变压器为研究对象,提出多通道特征融合模型,实现电力系统故障辨识和保护方案。所提出的多通道电信号特征的组合方式,即融合模型,是将被保护元件在相同时间段内的电信号按融合模型配置得到输入数据,通过卷积神经网络实现故障辨识和纵联保护。所提出的故障辨识方法和保护方案均基于时域数据,无需复杂的频域计算和阈值设计,故障判断和保护出口快速准确。针对输电线路,本文以一个双电源系统为研究案例,提出卷积神经网络的训练、测试和在线测试策略,详细探究了设定时长、采样频率、敏感点、噪声对辨识网络在线性能的影响。根据CNN在线性能特点构建纵联保护方案,并研究该方案在谐波含量高、故障电阻大、电流互感器（Current Transformer,CT）饱和等情况的适应性。最后讨论数据在CNN中的变化以及转置卷积网络的重构模式,并与现有纵联保护进行比较。针对电力变压器,本文以一个双电源系统中的三相三绕组变压器为研究案例,以变压器三端的融合数据为输入,基于卷积神经网络实现正常运行、励磁涌流和故障运行状态的辨识,提出了与传统保护相结合的抗励磁涌流误动作的方案,以及基于CNN的纵联保护方案,并讨论了这两种方案的适应性。本文所提方法能够在线辨识故障并实现保护。故障辨识准确性高,并且能准确识别励磁涌流。相比传统保护,所提保护方案速度更快,能避免励磁涌流造成的误动作,没有任何死区、接线的限制,在各种复杂工况下的适应性强。