变压器作为电力系统的枢纽设备之一，其运行可靠性直接影响着电力系统的安全与稳定。油中溶解气体分析（DGA）技术能有效地诊断油浸电力变压器的潜伏性故障。现行规程中故障诊断主要靠离线检测数据实现，在线监测技术虽然已形成一定规模，但因没有相关诊断技术和行业规程支持，还难以进一步发挥其现有的作用。本文首先阐述了变压器油中溶解气体的产气机理、正常时变压器油中气体的含量及故障时各故障对应的特征气体，介绍了油中气体检测及故障诊断的离线方法和在线方法，在分析并总结其特点的基础上建立了综合二者的DGA故障诊断模型。电力系统目前应用于变压器离线故障诊断的主要方法为规程中规定的比值法，本文收集了曾经或现在应用于该领域改良电协研法、IEC三比值法等七种比值法，结合1000多组数现场数据据通过计算漏判率、正判率和综合评价指数对这些方法进行了检验、分析和评价，针对其漏判和误判提出加权诊断和融合诊断两种改进措施，并通过实际数据验证了其有效性。人工神经网络引入DGA故障诊断解决了漏判的问题，建立了变压器故障与油中溶解气体之间的对应关系，但常用的BP网络等仍然存在收敛速度慢、易陷入局部最优、正判率低等问题。本文用PSO算法训练网络形成了PSO-BP网络，实现了两种算法的优化组合，基本克服了BP算法训练中存在的问题。实例证明，新网络的收敛性能和正判率均较比值法和BP网络有明显提高，满足电力变压器故障诊断的要求。在线监测数据量丰富，能反映变压器油中气体短期和长期发展趋势，弥补了离线检测的缺陷。为减小在线数据中的干扰，本文提出了一种基于数据融合的数据预处理算法，通过现场温度数据验证后发现该算法对数据真实值逼近效果好于常用算法。在此基础上，提出了差分法和斜率法针对不同类型数据提取在线监测数据的发展趋势。数据处理表明，这两种方法对数据样本的趋势提取是有效的。最后，结合数据实例，验证了本文提出的诊断模型具有一定的实用性。