人工神經網絡是局部放電模式識別中zui常用的分類器，它由許多具有非線性能力的神經元組成，神經元之間通過權系數相連接。人工神經網絡的信息式存儲于連接權系數中，具有很高的容錯性和魯棒性，而模式識別中往往存在噪聲干擾和輸入模式的部分損失，人工神經網絡的這一特點是其成功解決模式識別問題的主要原因之一。

BP神經網絡是一種有導師學習網絡，主要采用反向傳播算法進行學習訓練。3層以上的BP神經網絡學習算法比較復雜，一般使用不多。在局部放電模式識別應用中，BP神經網絡得到了的應用。

徑向基（Radial Basis Function，簡稱RBF）神經網絡是根據徑向基函數理論，在20世紀90年代提出的一種神經網絡。RBF網絡不僅具有良好的推廣能力，而且避免了BP算法中繁瑣、冗長的計算，其學習速度可以比通常的BP算法提高上千倍，其隱層節(jié)點的數目也在訓練過程中確定，可以得到*解，同時RBF網絡具有更強的函數逼近和模式分類的能力，文獻以差盒維數和多重分形理論為基礎，提出了一種基于多重分形特征的GIS局部放電圖譜特征提取方法，對局放圖像求取了相應的差盒維數、多重分形維數及放電重心特征，zui后將提取的特征量通過RBF神經網絡進行分類，識別結果有效地提高了GIS局部放電4種缺陷的識別率。文獻提出了一種適用于局部放電模式識別的局部放電數學形態(tài)譜提取方法。該方法基于形態(tài)學顆粒分析理論，采用多尺度形態(tài)學“開”運算提取局部放電灰度圖象的數學形態(tài)譜，并以此作為局部放電模式的特征向量。通過雙隱層人工神經網絡分類器實現(xiàn)放電模式識別。針對電力變壓器內部放電和空氣中放電設計了6種典型的放電模型，計算其形態(tài)譜，輸入雙隱層人工神經網絡實現(xiàn)放電模式識別，識別結果表明了該方法的有效性。

組合神經網絡在神經網絡建模中通常是使用單一*神經網絡，而這是在單個神經網絡能提取出給定數據集的所有有效信息的假設下，然而通常無法保證通過使用單一神經網絡模型來提取出數據集中所有有效的信息。近年來，Wolpert提出了組合泛化的思想，而且Sridhar等利用該思想，通過將多個單一神經網絡模型組合在一起的方法，而得到了組合神經網絡的結構。文獻介紹了一種應用于局部放電模式識別的組合神經網絡，即將基本的SOM網絡和BP網絡組合在一起。輸入層到競爭層為SOM網絡，競爭層到輸出層為BP網絡，分別按照Kohonen學習算法和BP學習算法進行訓練并調整連接權值。