当今时代电能与人们生活、生产息息相关,随之而来电力网络日益庞大复杂,保障电力设备安全稳定运行正是电网安全的基础。常见的电力设备有变压器、断路器、隔离开关、互感器等,其中变压器最容易发生故障且修复难度和造成损失也最大。本文针对变压器故障诊断关键技术问题,开展了基于多源信息融合的诊断方法的研究,主要内容如下:为解决单一算法在变压器故障诊断中诊断可靠性不足的问题,本文在基于支持向量机(SVM)与D-S证据理论的多维特征信息融合诊断算法的基础上,通过综合计算各特征识别结果的样本正确识别率及误诊概率,改进了证据概率分配函数(BPA)的获取方式。仿真实验表明该方法能够得到更可靠的证据体的置信度,进一步提高了多特征融合故障诊断准确率。针对基于支持向量机(SVM)的变压器故障诊断中的数据偏斜问题,提出了一种改进的向上采样策略和SVM结合的方法。在提取少数类样本数据中的边界数据集的基础上,对边界数据集上采样得到随机的新数据集使得两类样本达到基本均衡。对比均衡样本和不对称样本下的SVM分类模型的性能,结果表明该方法能够有效降低SVM分类平面的偏移程度,进一步提高了SVM变压器故障诊断的准确率。最后,总结分析了本文的工作研究,论述了未来电力设备故障诊断的研究方向。