理想状态下的电力系统的信号应该仅仅包含正弦信号,而且频率为50Hz。但是现实状况下往往不尽如人意,因为有很多外部干扰,而且设备有测量误差的存在,诸多情况导致电力系统信号存在工频的基波分量和某些谐波,甚至包含噪声分量。这些分量对电力系统的安全性以及稳定性有巨大的威胁,严重影响了电力系统关于信号处理方面的准确性,最严重的情况就是减少了电力系统设备的使用寿命。鉴于这些潜在安全因素的存在,在生产过程中能够准确的检测电力系统谐波就显得至关重要。首先,研究了傅里叶变换,这种方法是早期用于电力系统里对谐波进行检测的最基本的方法。接下来提出了离散傅里叶变换的不足与缺陷,容易使得在处理信号过程中发生非同步采样、频谱泄露和栅栏效应的现象。其次,将线性神经网络引入电力系统谐波检测,因为其结构简单,计算量较小。比较了线性神经网络常用的有两种训练算法:最小二乘算法(RLS,recursive-least-square)以及最小均方误差算法(LMS,least-mean-square),根据二者的计算复杂程度、跟踪性能以及收敛速度选择合适的神经网络训练算法。接下来,提出一种思想:即利用小波神经元替代传统的神经元,采用小波的多分辨分析把电力系统谐波信号分解,因为神经网络具有任意函数的逼近能力,因此把小波变换与神经网络相联系,构成小波神经网络来检测电力系统谐波。仿真结果表明,本文的方法检测效果更加优越。最后,因为电力系统中还存在大量的谐波噪声问题,但是传统阈值函数在信号去噪方面还存在很多未能解决的地方,基于这种情况本文提出了新的阈值函数,改进了传统的硬阈值函数还有软阈值函数的缺陷,并且研究了用于电力系统谐波信号去噪的相关参数以及参数的选取。利用MATLAB进行实验,把本文提出的新阈值函数的仿真结果与传统的阈值函数进行信号去噪后的做出比较,实验证明,本文的新阈值函数的去噪结果更为优越,判断的依据为信噪比和信号的均方误差。