近年来,变压器故障的声纹识别成为研究热点。作为一种非接触式的检测方法,具有声音采集设备安装方便,不影响变压器正常运行,声音信号易于获取等优点。然而,变电站内存在大量的干扰声音,在高噪声环境下,声纹识别的准确率会明显降低。且声纹识别算法一般需要较多的训练数据才能得到良好的识别效果,但变压器的故障声音难以获取,实际的变压器故障声音数据量很少。针对以上问题,本文提出了相应的解决方案。首先,实验模拟了不同类型的放电和机械故障声。根据变电站内常见的放电类型,模拟了变压器油中均匀电场放电、沿面放电及变压器外部的电晕放电声;机械故障主要模拟了变压器冷却风扇的故障声音,分别是冷却风机消音罩振动、固定风扇电机的螺丝松动和电机扇叶触碰风罩的声音。其次,针对变电站内非平稳性干扰声音,本文分别采用了基于倒谱-EMD分解的瞬态声信号识别方法和基于重复模式提取的盲源分离算法,基于重复模式提取的盲源分离算法对非稳定性干扰声音的普适性明显优于瞬态声信号识别方法,且重复模式提取技术属于单通道盲源分离算法,无需任何先验信息即可把非稳定干扰声从混合声音中剥离。最后,针对主要由变压器冷却风扇声造成的持续性干扰声音,通过选择鲁棒性较好的梅尔频率倒谱系数和基于高斯混合模型的声纹识别算法来降低风扇噪声对声纹识别系统的影响。在实验室环境下,从每种类型声音中选择60秒数据用于高斯混合模型训练,120秒数据用于模型测试。设置Kmeans最大迭代次数为5次,混合成分数目为3,最大期望算法最大迭代次数为30次时,高斯混合模型的识别率可达100%,也解决了变压器故障声音数据量少的问题。