研究用户用电负荷模式的特点，有助于电网公司对用户的用电行为有更透彻的理解，并能依据细分的目标用户群制定相应的市场策略，提供对应的个性化服务，使各方都收益。用户用电负荷模式的主流研究方式是对用户负荷曲线数据进行聚类分析以及分类分析。传统的单一聚类分析方法对于具有不平衡性以及时序特性的负荷曲线数据存在泛化能力不强，稳健性不高的问题。针对这一问题，本文提出基于聚类融合的负荷曲线聚类研究。本文首先着重研究如何遴选适合负荷曲线数据聚类分析算法，从30种通用聚类算法中挑选出3种适用于负荷曲线聚类的通用聚类算法，并给出通用聚类算法在该场景的有效性评价。运用Bootstrap方法，生成具有差异性的聚类成员，并设计共识函数，定义各样本间的距离，再运用CSPA超图分割方法进行合并，从而得到比单一算法更优的最终聚类结果。本文最终聚类融合结果将负荷曲线分为四个典型群体，分别为双峰型、三峰型、平稳型以及避峰型。聚类融合结果总体匹配正确度为74.61%，并与单一方法进行对比分析，实证了聚类融合优异于单一聚类方法。以聚类融合算法得到的标签作为输入，针对负荷用电行为模式识别，建立了基于负荷曲线分类的深度学习模型，并给出了该场景的模型参数设置。通过交叉验证，模型在在预测集准确度为76.91%，显示了深度学习模型通过自学习方式训练隐含层的优势。并对比分析BP人工神经网络、支持向量机以及随机森林的分类结果，实验表明了深度学习模型在用户用电负荷模式识别的良好性能。