随着我国电网建设规模、用电负荷种类及容量的不断增加,对电力系统的可靠性和稳定性的也提出了更高的要求。变压器作为电力系统中的主要设备,其运行状态将直接影响到电力系统的安全稳定运行状态。因此,变压器运行状态的准确诊断,具有重要的现实意义。（1）针对变压器油色谱数据采集等过程中产生的异常值,采用非监督学习的孤立森林（IF）算法,对样本特征空间进行切割,从而实现异常值清洗操作,采用支持向量机（SVM）与逻辑回归（LR）对清洗效果进行验证,验证结果证明了油色谱数据异常值清洗方法的有效性。（2）针对传统机器学习变压器故障方法诊断精度低的问题,建立了基于纵横交叉优化算法（CSO）的超参数优化模型,分别在K邻近（KNN）、决策树（DT）、支持向量机（SVM）和逻辑回归（LR）上进行了验证,建立了CSO-KNN、CSO-DT、CSO-SVM和CSO-LR诊断模型。仿真结果显示,诊断效果最优的是CSO-DT诊断模型,相比于DT诊断模型,其诊断准确率提升了8.57%,达到了85.71%,平均诊断时间为1.46ms,表明CSO能够有效提升机器学习模型的诊断性能。（3）针对传统机器学习诊断方法特征提取能力有限的问题,建立了基于注意力机制的残差卷积神经网络变压器故障诊断模型（SE-Res-CNN）,通过注意力（SE）机制辩识不同卷积通道的差异性;同时,在卷积层中引入残差网络（Res）学习卷积层间的差异信息;再采用卷积神经网络（CNN）深度提取变压器油中溶解气体与变压器状态间的隐含关系,以此实现特征关系的深度挖掘。实验验证表明,所提出的SERes-CNN诊断模型准确率最高达到了94.20%,平均诊断时间为1470ms。（4）对比分析CSO优化的浅层机器学习故障诊断方法和深度学习的SE-ResCNN诊断方法,仿真结果表明CSO优化的浅层机器学习故障诊断方法诊断时间快,精度尚能满足工程实际应用;SE-Res-CNN诊断精度高,但其训练于诊断时间较长,并不适用于对诊断时间要求较高的环境。