随着广播电视事业的发展,广播电视无线传输领域经历了从电子管时代到固态化时代再到目前逐步进入的数字化时代,各广播电视无线发射台也逐步适应时代的发展,引入各个时期的技术并运用于工作当中,目前各发射台的监控系统虽具备通过采集监控设备的一些关键电压电流值,并在这些值出现超出人为设置的门限值后认定为设备故障的能力,但却无法区分一些软故障和真实故障,对此,在实际的设备抢修维护当中,还是需要技术人员结合监控图表和自身经验才能准确判断故障点位置。因此有必要研究采用一种人工智能手段,通过模仿人类的视觉系统去查看监控图表,识别故障情况,消除误告警。本文结合课题需求,对广播电视发射台的发射故障判断与分类问题进行了研究。基于对广播电视无线发射台监控系统中较具代表性的发射机入射功率监控图的识别和处理基础之上,本文引入深度学习技术用于广播电视发射台的发射故障判断与分类。首先通过下位机(各种数据采集控制器)将采集到的设备电压值、电流值、状态值、音视频信号等数据上传给上位机(计算机),然后由基于VGG-16模型架构设计的模型对数据进行分析,进而找出存在隐性故障的故障点。本文将具有代表性的发射机入射功率监控图进行了处理并作为CNN模型的输入,通过多次迭代训练,优化了该CNN模型相应的超参数。实验表明,优化后的CNN模型在对广播电视无线发射机的入射功率监控图的识别中,可轻松区分出软故障和真实故障的情况,识别正确率已经达到98%左右,较好地满足实际需求。