油浸式变压器是电力系统的核心设备，其安全运行关系到国民经济的各个领域的正常运行及人们的生命财产安全，也极大地影响电力系统的运行成本。针对电气试验法对变压器故障诊断，一般需要停电，而且对于某些局部故障和缺陷很难检测到。通过对油中溶解气体组分含量分析一般不需要停电，并且可以有效、快速的发现变压器内部的潜伏性故障，弥补了电气试验方法的不足。国内外利用油中溶解气体分析（DGA）变压器故障的常规方法是以三比值为基础的比值法。这些比值法在对具有不确定性、复杂性的变压器故障进行诊断时容易出现“编码边界过于绝对”，“甚至编码缺失”等缺陷。随着智能信息处理方法的发展，各种智能算法在故障诊断中得到了很大的应用，本文在以油中溶解气体为基础上，采用支持向量机、贝叶斯网络对变压器故障诊断进行应用研究。支持向量机（SVM）在变压器故障诊断应用中取得了一定的效果，但核函数和参数选择上目前并没有公认最好的方法理论。本文在交叉验证意义下，采用网格搜索、GA、PSO等方法进行SVM参数寻优，得到最初的优化参数，在实验中进行参数的微调得到最终的最佳参数。实验比较发现在处理非线性输入方面，径向基核函数比其它几种常用的核函数性能优越。虽然SVM在选择最佳参数和核函数下对故障识别取得了不错的效果，然而，当变压故障数据较大时，存在冗余信息，直接使用SVM对训练集建模收敛时间变长，分类精度低。针对这一问题，本文提出了K-均值聚类与SVM相结合的故障诊断模型，采用K均值聚类算法在保证模型精度下对变压器故障训练样本进行预选取，有效的选择支持向量机个数作为SVM分类器的输入建模。在weka平台下以具体的实例进行仿真，验证了该模型的有效性。本文对实践中会遇到数据缺失的现象，提出了贝叶斯网络的变压器故障诊断，选择不同的离散方法对故障样本离散进行比较得出基于熵的离散化方法最好。最后以2个具体的实例验证了采用的贝叶斯网络诊断方法是有效的。