随着信息和通信技术的大规模应用,电力系统面临日益严峻的信息安全威胁。其中,量测数据篡改攻击近年来受到了学术界的广泛关注。已有研究证明,若入侵者在篡改数据时遵循特定的规律,则电力系统状态估计中基于残差的不良数据辨识将无法检测出受到篡改的数据,从而导致错误的状态估计结果,进而可能威胁系统的安全稳定运行。为应对这一攻击,本文研究利用机器学习算法提取电力系统量测数据内部的统计学特征,实现对量测数据篡改攻击的检测与定位。首先,为实现基于机器学习的量测数据篡改攻击检测,本文提出了一种样本数据预处理方法。机器学习检测法的训练数据需要包含与受攻击状态类似的电力系统事故状态的数据,由于电力系统历史运行数据库中事故状态数据样本数量较少,若直接采用均匀采样的方法提取用于机器学习模型的训练样本集,则样本集中所含事故状态样本数量较少。针对此问题,本文基于随机矩阵理论实现了历史运行数据库中事故状态数据的提取,并进一步利用Adaptive Synthetic Sampling Approach算法对事故状态样本进行扩增。算例分析表明,使用该方法进行数据预处理可有效提升训练集中事故状态数据的占比,增强机器学习模型的攻击检测性能。在此基础上,本文提出了一种计及时间和电气相关性的量测数据篡改攻击检测方法。该方法将Gramian Angular Summation Field（GASF）变换器与协同卷积神经网络（Convolutional Neural Network,CNN）结构相结合,设计了一种特征可视化网络。其中,GASF变换器主要负责将时间序列数据转换为广义多通道图,用于协同CNN训练;而协同CNN则在训练过程中学习数据之间的时间和电气相关性。算例分析验证了特征可视化网络对电力系统运行数据的时间和电气相关性的提取能力,所提方法相比于其它常用同类型方法具有更高的量测数据篡改攻击检测准确率和更低的攻击漏报率,具有在实际系统中应用的前景。最后,本文提出了一种计及节点重要性的量测数据篡改攻击定位方法。考虑到入侵者可用资源有限,系统中重要性程度较高的节点的状态量受篡改的可能性更大。本文基于K-Shell分解法,提出了考虑量测数据篡改攻击动机的节点重要性综合指标Com-Sig,并根据该指标分配各节点的训练样本数量。针对攻击定位属于多标签分类问题的特点,本文设计了基于新型胶囊网络的攻击定位模型,该模型可利用电力系统的拓扑信息修正攻击定位结果。算例分析表明,本文所提方法能对重要节点的数据特征给予更大关注,且比其它常用多标签分类方法具有更好的量测数据篡改攻击定位性能。