随着新型电力系统的发展，各类分布式电源接入，配电网拓扑更加复杂，针对复杂工况下配电网高阻故障特征微弱、定位精度低和抗干扰能力差的问题，提出一种基于Transformer and graph neural network(TransGNN)的配电网高阻故障区段定位方法。首先，根据配电网拓扑构建邻接矩阵，基于配电网量测信息构建时间序列数据样本；其次，通过Transformer模块进行时间序列建模，捕捉各节点电气量中的关键特征，结合自注意力机制识别跨区域、非相邻节点间的潜在关联，有效提升模型全局的特征提取能力和故障定位的准确率；然后，通过图网络模块引入物理拓扑约束，对相邻节点特征进行高效聚合，提升数据驱动模型的抗干扰能力；最后，搭建典型配电系统仿真模型对所提方法进行验证。结果表明，所提方法优于现有人工智能方法，且在样本量减少、采样频率低、噪声干扰与数据缺失、分布式电源接入及拓扑重构场景下均保持较高的定位精度与良好的泛化能力。