非侵入式负荷监测作为一种提供细粒度功耗信息的方法能够提升需求响应、负荷预测、用户行为分析等电网高级应用服务的质量。当前的非侵入式负荷监测方法没有充分利用长时波形数据中的特征,导致对相似设备的识别和功率分解效果还不太理想。此外,大多数研究对于低频次使用设备训练样本少、用电数据分布不平衡影响模型训练的问题缺乏针对性措施。为此,本文对长时波形数据进行分析,采用深度学习的方法对负荷识别和功率分解任务展开研究,并在公开数据集REDD和UK-DALE中验证算法的有效性,具体贡献包括以下三点:（1）提出了一种基于长时波形中上下文信息的负荷识别算法。该算法利用卷积神经网络提取单个事件的局部特征,然后引入多头自注意力机制提取长时波形中多个事件间的上下文信息,实现全局特征的提取用以区分相似设备。在公开数据集上进行的实验表明,本文提出的算法有效区分了相似设备,对包括类型Ⅰ和类型Ⅱ在内的多种不同功率级别的设备的识别平均精度达到了 0.93,平均召回率达到了 0.99,平均F1值达到了 0.96,对于较难识别的中小功率设备的识别平均F1值提升了 30%左右,进一步验证了本文提出的负荷识别算法的优越性。（2）提出了一种基于设备关联性迁移的数据增强方法。该方法从最大限度保留用户行为习惯和设备关联性信息的角度出发进行数据增强,解决因某些设备样本数量不足不利于模型训练的问题。通过公开数据集上的实验验证,本文算法在引入数据增强方法后,负荷识别结果的平均精度提升了 1%,平均召回率提升了 6%,平均F1值提升了 4%,进一步验证了数据增强方法的有效性和必要性。（3）提出了一种基于卷积双向长短期记忆网络的功率分解算法。该算法利用双向长短期记忆网络分别从前后两个方向对长时波形数据中的特征进行提取,并引入Focal Loss设计新的损失函数指导功率分解模型的训练,解决数据分布不平衡的问题。本文提出的功率分解算法在公开数据集上对设备分解的平均绝对误差为8.418,相比于基准算法提升了17%左右,进一步验证了该算法的有效性。通过实验验证,本文提出的负荷识别与功率分解算法在非侵入式负荷监测数据中具有良好的识别效果和分解精度,有助于实现电网和用户的双向灵活互动。