变压器作为电力系统的核心组成设备,其运行状态直接关系到用电系统安全。局部放电现象是变压器存在绝缘缺陷的主要征兆,对局部放电信号进行准确地模式识别可以为变压器故障预警等维护工作提供有力支撑,对电力系统的安全稳定运行具有重要意义。传统的局部放电模式识别方法主要存在两个问题:一是放电数据稀缺,难以支持特性研究工作;二是基于传统特征提取方法的算法复杂度高,在实际应用中泛化性和智能化分析水平较低。本文针对当前局部放电模式识别领域的局限性,对变压器局部放电机理、特性和基于深度学习平台的局部放电模式识别技术进行了深入研究,主要研究工作如下:一是通过搭建局部放电模拟实验系统完成了局部放电样本库的构建。首先,对变压器内不同局部放电模式的产生机理及尖端放电、油中气隙放电、悬浮放电、沿面放电和油隙放电共五种缺陷物理模型进行研究;其次,将缺陷模型实物植入变压器内部搭建局部放电模拟实验系统,完成了变压器局部放电样本库的构建;最后,对放电特性进行分析研究。不同于传统局部放电模拟实验中直接给缺陷模型通电的方法,为获取真实有效的局部放电数据,本文在变压器工作状态下进行局部放电模拟实验,所采集的放电数据可以真实反映局部放电的模式特性。二是为突破训练集样本量和多样性对分类模型性能的限制,提出基于结构相似度的条件生成对抗网络——SCGAN,通过该网络对表征放电幅值-相位信息的PRPD图谱数据进行样本增强。SCGAN通过将结构相似度加入生成器的损失函数中,约束生成样本保持与真实样本一致的结构特征;引入标签信息将模型改进为有监督的条件生成网络,实现模型生成样本类别可控;利用非线性映射网络的特征解耦作用,解决了传统条件生成模型中容易出现的类间特征错乱问题;最后,设计的定性和定量实验均验证了本文提出模型的有效性。三是提出了适用于局部放电模式识别的基于卷积的Vision Transformer（CViT）模型,实现了对PRPD图谱自动化特征提取和模式识别。CViT模型兼具局部和全局特征提取能力,首先利用多层多通道的卷积结构感知PRPD数据的局部放电密集性特征;其次,输出特征图经纵向分割模块转化为包含相位信息的序列;最后,序列并行输入Transformer编码器,借助多头注意力机制提取全局结构分布特征,由多层感知机输出模式识别结果。在样本增强后的数据集上,CViT模型达到了优于其他模型的识别效果。此外,本文设计了变压器远程故障诊断系统,为后续将本文的模式识别算法研究成果落实到具体应用之中提供理论基础。