近年来,随着我国互联网络和电力工业的迅猛进步与发展,利用网络和电力线传输进行通讯也在我国得到了广泛应用。电力线异常信号识别技术是一种泛指在电力线通信（Power Line Communication,PLC）中,对非合作接收到的异常信号进行检测与调制的识别,从而解调出异常信号信息。在电力线安全防护领域中,当检测到电力线上存在调制信号时,即为异常信号。电力线信道中存在复杂的噪声干扰和衰落,因此电力线异常信号识别系统的准确性与鲁棒性十分关键。基于对电力线异常信号检测识别领域,本文从电力线通信调制样式出发,对电力线异常信号调制识别技术进行研究,主要研究内容如下:首先,本文针对传统特征提取方法中识别算法准确率不高,噪声鲁棒性不佳的问题,提出利用短时傅里叶变换（STFT）和魏格纳变换（WVD）将电力线调制信号转换为二维时频图像,并在此基础上提取两种时频图像的特征。此外还提供可以同时提取多种不同电力线信号的瞬时特征,包括瞬时输出相位、瞬时输出频率等,并融合不同时频图像特征和瞬时特征进一步提高识别性能,从而实现电力线异常调制信号的准确识别。实验结果表明 2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、16QAM等异常信号调制样式,在SNR（Signal to Noise Ratio）为0dB、分类器为K-近邻算法（KNN）时,信号的识别率达到92.4%。其次,针对传统特征提取方法来进行识别的算法复杂度高,且需设计预定特征的缺点,本文研究了基于深度学习的识别方法,针对异常电力线调制信号样式特点,利用CNN和Bi-LSTM作为特征挖掘工具,通过多层注意机制选择显著特征对信号识别,利用它们各自的能力来动态提取嵌入在电力线通信信号样本中的空间、时间和显著特征。实验对照研究,在不同噪声条件下,核心特征深度学习的实用的方法取得了比融合特征提取常用的方法更优的性能,在低信噪比（0dB）时,能达到93.10%的识别率,并且由于算法采取了独特的分层注意力机制模块,训练速度与测试速度比传统算法高出近2倍。最后,本文搭建了一个电力线异常信号检测识别系统演示平台。演示平台由信号采集模块、特征融合分析模块、深度学习信号分析模块等组成。通过系统实验表明,本系统能够有效地对实际异常信号调制类别进行检测识别,其中,传统特征提取信号识别模块准确率达到89%,深度学习信号识别模块准确率达到96%,从而证明了电力线通信异常信号识别系统的有效性与可行性。