高压直流输电技术以其长距离、大容量、线路有功损耗小等独特优势解决了我国发电能源与主要负荷分布极不均匀的难题。换相失败作为高压直流输电系统中的典型故障,会导致逆变侧换流母线电压、直流电流等一系列电气量的剧变,对电力系统的安全稳定运行造成极大威胁。因此,精准及时地诊断出引起换相失败的故障原因对于保障高压直流输电系统稳定性具有十分重要的意义。本文基于高压直流输电系统逆变侧换流母线电压与直流电流时序信号数据,构建深度学习模型,对引起换相失败的故障原因进行智能诊断。论文主要工作如下:（1）分析了换相失败的基本理论及其影响因素。以六脉冲换流器为例,分析了换相失败的基本过程,明确了交流系统短路故障、故障发生时刻、超前触发角、直流电流、换相电压、变压器变比、换相电抗是造成换相失败故障发生的关键因素;研究了各电气量与控制参数对换相失败的作用机制;基于国际大电网会议提出的高压直流输电系统模型（CIGRE BENCHMARK MODEL）批量化获取数据,为深度学习算法提供了可靠的故障特征数据集。（2）研究了基于一维卷积神经网络（One Dimension-Convolutional Neural Networks,1D-CNN）的换相失败端到端故障诊断方法。阐述了卷积神经网络的基本结构,为得到最优的网络结构,探究了不同寻优算法对网络关键参数的优化方案,设计了适用于换相失败故障诊断的卷积神经网络结构;将优化后的卷积神经网络用于高压直流输电系统换相失败故障诊断,诊断结果及相关混淆矩阵表明,卷积神经网络对不同故障类型具有较高的识别准确率,且不易受到故障类型、过渡电阻等系统参数的影响。（3）提出了一种基于小波时频图-二维卷积神经网络的换相失败故障诊断方法。利用连续小波变换与小波时频图,同时借助t-SNE（t-Distributed Stochastic Neighbor Embedding）降维可视化对比分析了短时傅里叶变换、希尔伯特黄变换、小波变换三种时频分析方法对原始故障信号的特征提取能力,选择特征提取效果更好的连续小波变换作为二维卷积神经网络的输入,并将该方法与基于经验模态分解-Elman神经网络、主成分分析法-BP神经网络、一维卷积神经网络三种故障诊断方法进行对比,仿真结果表明,该方法能以更高的诊断准确率及更短的训练耗时实现换相失败故障诊断。（4）研究了基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）的换相失败故障样本数据增强方法。选取了合适的DCGAN模型及参数,讨论并验证了本数据增强方法的必要性、DCGAN训练集数量与生成数据质量的关系以及DCGAN生成数据量对故障诊断准确率的影响,最终结合DCGAN与CNN进行故障诊断。试验结果表明,DCGAN能有效学习故障样本的特征分布,经过数据增强后的模型故障诊断准确率得到了进一步提升,该方法有效解决了实际高压直流输电系统故障样本获取困难的问题。