负荷运行状态的监测是用电管理的重要环节。通过非侵入式负荷监测技术,用户可以在安装少量传感器的前提下,藉由总线处测量得到的用电信息识别出建筑内部的负荷运行状态,实现高性价比的负荷监测。针对应用过程中非侵入式负荷监测对负荷识别的实时性与动态适应性的要求,本文重点研究了在线非侵入式负荷识别算法,主要研究内容如下:（1）对非侵入式负荷监测技术的基本实现流程与关键步骤进行介绍,在此基础上,对在线非侵入式负荷监测技术的基本实现方法进行探讨,从在线非侵入式负荷监测的需求出发,总结出在线非侵入式负荷监测的基本流程;（2）提出了基于无监督学习的在线非侵入式负荷识别算法,该算法基于自组织增量学习神经网络（self-organizing incremental neural network,SOINN）理论,以单个负荷特征向量为输入,构造网络的神经元,并通过相似度阈值的动态调整来修改神经元的权值与数量,实现负荷样本空间的自适应调整。此外,针对目前研究较少的适用于无监督算法的负荷命名问题,对负荷命名方法进行研究,提出了一种融合了自动命名方法和人工命名方法的综合命名方法。算例结果表明,在分类精度、算法时间复杂度以及样本存储方面,所提出的基于无监督学习的在线非侵入式负荷识别算法与传统懒惰学习方法相比具有更优秀的性能。（3）在基于无监督学习的在线非侵入式负荷识别算法研究的基础上,对在线非侵入式负荷监测的动态监督场景进行定义与分析,提出一种基于动态监督学习的在线非侵入式负荷识别算法,该算法能够通过半监督学习方法,利用有限的标记信息改善SOINN的神经元分布情况,并通过主动学习方法,有针对性地挑选高价值样本进行标记,进一步提升半监督学习方法的性能。算例结果表明,所提出的基于动态监督学习的在线非侵入式负荷识别算法能够有效利用标记样本信息,进一步提升SOINN的分类性能。