在低压保护领域，漏电保护器是国家强制安装设备。目前市场上的漏电保护器均采用基于漏电保护专用芯片的硬件检测技术。由于漏电保护专用芯片核心技术根据国外的电网环境研制而成，应用到国内实际电网环境下，在一些较为复杂的电网环境下，使用漏电保护专用芯片来判断漏电显现出极大的局限性，导致漏电保护器误动作（误切断电路）频繁。　　本文提出了以处理器芯片作为漏电保护器核心芯片，采用嵌入式软件实现漏电检测算法，由此形成新的漏电保护器实现结构和方式的新思路。这种新的漏电保护器实现结构和方式中，嵌入式软件可以加以扩展，使之同时实现过流、过载甚至电弧故障等保护功能，为实现一种集多种保护功能于一体的新型低压保护电器提供可能。　　本文从嵌入式软件实现漏电检测算法的角度，提出了一种基于机器学习的漏电检测算法，其核心就是一个通过基于有监督式的训练学习、可以根据输入的电流特征数据做出漏电判断的“漏电分类器”，其实现过程主要包括电流特征数据的提取、训练样本集的构建、漏电分类器的设计、训练和性能测试。　　本文首先对漏电发生和正常工作时这两类分类电流数据进行时域和频域的分析，进而选取出要提取的特征数据，然后设计和实现了一个采集器来采集两类电流特征数据，构建成漏电分类器的训练集和测试集，最后设计了基于BP神经网络和支持向量机SVM的漏电分类器模型，并将训练样本集导入分类器模型进行训练，训练好的分类器模型经测试集进行正确识别率和误动作的测试评估，若需要改进则反复训练，以构建最佳分类器模型。训练好的分类器模型即可用于实际的漏电检测，根据输入的实际电网的电路电流数据（包括正常工作和发生漏电时的数据）分类出其中的漏电数据，从而检测出漏电的发生。　　测试集测试结果表明，漏电分类器对漏电的判断效果良好。