人工神经网络是局部放电模式识别中zui常用的分类器，它由许多具有非线性能力的神经元组成，神经元之间通过权系数相连接。人工神经网络的信息式存储于连接权系数中，具有很高的容错性和鲁棒性，而模式识别中往往存在噪声干扰和输入模式的部分损失，人工神经网络的这一特点是其成功解决模式识别问题的主要原因之一。

BP神经网络是一种有导师学习网络，主要采用反向传播算法进行学习训练。3层以上的BP神经网络学习算法比较复杂，一般使用不多。在局部放电模式识别应用中，BP神经网络得到了的应用。

径向基（Radial Basis Function，简称RBF）神经网络是根据径向基函数理论，在20世纪90年代提出的一种神经网络。RBF网络不仅具有良好的推广能力，而且避免了BP算法中繁琐、冗长的计算，其学习速度可以比通常的BP算法提高上千倍，其隐层节点的数目也在训练过程中确定，可以得到*解，同时RBF网络具有更强的函数逼近和模式分类的能力，文献以差盒维数和多重分形理论为基础，提出了一种基于多重分形特征的GIS局部放电图谱特征提取方法，对局放图像求取了相应的差盒维数、多重分形维数及放电重心特征，zui后将提取的特征量通过RBF神经网络进行分类，识别结果有效地提高了GIS局部放电4种缺陷的识别率。文献提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论，采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱，并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型，计算其形态谱，输入双隐层人工神经网络实现放电模式识别，识别结果表明了该方法的有效性。

组合神经网络在神经网络建模中通常是使用单一*神经网络，而这是在单个神经网络能提取出给定数据集的所有有效信息的假设下，然而通常无法保证通过使用单一神经网络模型来提取出数据集中所有有效的信息。近年来，Wolpert提出了组合泛化的思想，而且Sridhar等利用该思想，通过将多个单一神经网络模型组合在一起的方法，而得到了组合神经网络的结构。文献介绍了一种应用于局部放电模式识别的组合神经网络，即将基本的SOM网络和BP网络组合在一起。输入层到竞争层为SOM网络，竞争层到输出层为BP网络，分别按照Kohonen学习算法和BP学习算法进行训练并调整连接权值。