针对配电网规模与设备数量递增所导致的运行工况复杂、安全事故频发，以及传统声信号监测方法需专业人员高精度布点、覆盖范围小、采样频率低、数据实时性差和人工判读主观性强等问题，提出一种融合小波包变换与深度学习的智能诊断方法，通过非侵入式声信号采集与特征提取，实现配电设备局部放电缺陷的自动化识别。借助仿真平台的小波包工具箱，对采集到的声信号开展分解处理，将其分成多个二维参量和频率，基于小波包分解技术，将原始声信号映射至不同频带空间，形成多维度频谱特征矩阵；通过时频分析算法提取各频带能量分布特征向量，构建包含放电特征参数的多维数据集；利用仿真工具箱中的neural net fitting模块，并采用levenberg-marquardt优化算法对BP神经网络进行迭代训练，形成具备非线性映射能力的智能识别模型；通过模式匹配算法实现缺陷类型的快速分类判别。随机选取20组样本进行交叉验证的实验结果表明，所提模型对放电信号的模式识别准确率达到95%以上，验证了所提方法在特征提取和故障分类方面的有效性。研究结果表明，所提模型能够识别2种类型的数据，且准确度较高。