大型电力变压器是电力系统的重要枢纽设备。变压器的故障将对电力系统和社会用户造成重大的影响和严重的损失。因此，对电力变压器进行故障诊断技术和故障预测技术研究具有十分重要的理论和实际意义。 支持向量机（SVM）是一种重要的模式识别方法。它是基于统计学习理论和结构风险最小化原则的新型机器学习方法，可以在算法复杂性（VC维）和训练准确性（结构风险最小化）之间进行最优化平衡。它克服了传统机器学习方法在训练中的局部极小、过学习和欠学习等问题。由于支持向量机的分解原理是：局部最优值是全局最优值的一个二次规划，在训练和识别中可以避免陷入局部最优。因而具有良好的泛化能力。 深入研究了支持向量机在油浸式变压器故障诊断中的应用，变压器故障诊断的仿真结果验证了算法的有效性。其中取得的创新性成果主要有： 1）根据变压器故障数据具有的紧致性原理，提出使用模糊核聚类对训练样本进行聚类分析，然后将聚类正确的各类样本数据放入SVM多类目标简化结构中进行训练，最终利用训练好的分类器将各类故障样本分开。 2）针对变压器多故障问题，提出了基于Mercer核函数的欧式距离查询策略的SVM主动学习算法，建立了基于SVM主动学习与Karhunen—Loeve（K—L）特征提取的变压器故障诊断模型。利用K—L变换提取样本数据的特征值显示在三维图中，验证了变压器故障数据所具有的紧致性。 3）讨论了核函数中的γ和惩罚参数C对分类函数的影响，提出针对不同类型的数据，SVM应选用不同的核函数，同时提出使用二分法对SVM的两个参数（C，γ）寻优。