电力变压器是至关重要的电力装备，对电力变压器的潜伏性故障进行预测判断，能够提升电力体系的安全性和可靠性，对整个社会都有积极的意义。目前，油中溶解气体分析法是预判电力变压器故障主要采用的手段。本文分析了变压器油中气体产生机理，深入研究了神经网络和支持向量机理论，并提出了基于PSO-SVM分类器和GA-BP分类器这两级分类器级联的电力变压器故障诊断方法。论文主要研究内容如下：　　1）探讨了变压器油中溶解气体的成分与故障之间的关系，并找出油中溶解气体生产的机制。　　2）深入研究了支持向量机的原理，知道惩罚系数C、核函数系数G对其分类影响正确率有很大影响，针对参数选择困难这一的问题，利用粒子群来对支持向量机中的惩罚系数C、核函数系数G进行寻优，有利于快速找到最佳参数，并建立了PSO-SVM分类器，用matlab进行了仿真分析。　　3）深入研究了人工神经网络的原理，并结合神经网络在训练过程中存在收敛速度慢、难以得到全局最优等弊端，利用遗传算法对其网络进行权值阈值寻优，使网络的权值核阈值，可以收敛在全局最优解附近，然后利用LM算法对网络继续寻优即可获得最佳权阈值，并建立遗传神经网络分类器，用matlab进行了仿真分析。　　4）结合支持向量机和人工神经网络各自的优点，提出了基于PSO-SVM分类器和GA-BP分类器这两级分类器级联的电力变压器故障诊断方法，将二者结合起来，实现故障诊断。首先将数据通过PSO-SVM分类器判断变压器是否故障，然后再进一步通过GA-BP分类器来判断电力变压器具体的故障类型。并将诊断结果与改良IEC三比值法以及PSO-SVM、GA-BP算法进行了对比分析，验证了诊断模型的有效性。经过实验仿真与实例分析诊断正确率高达92.7％，验证了该算法在变压器故障诊断上的有效性和准确性。