非侵入式家庭电力负荷分解就是对家庭电力入口处总的电能分解成单个设备所消耗的电能。本文以家庭电力负荷功率幅值变化为特征，提出了一种基于隐半马尔科夫模型(Hidden Semi-Markov Model, HSMM)的分解算法，对家庭用电设备的运行状态进行辨识，从而求解每类设备消耗的功率。最后结合两种评估测度和REDD数据集进行仿真实验，验证了算法的正确性及合理性。首先，为了消除观测值序列中的异常数据，通过移除常开设备信号、滤波分析、计算差分波形三个过程对数据进行预处理，得到特征观测值序列。本文以REDD数据集作为实验数据，通过对REDD中六个家庭的总的功率数据进行预处理，得到功率差分波形，根据功率幅值范围，用K均值聚类算法对家庭用电设备进行分类。其次，针对隐马尔科夫模型(Hidden Markov Model, HMM)建模的局限性，本文基于隐半马尔科夫模型对家庭电力负荷进行建模，即在HMM中引入了状态驻留时间长度，电力负荷的当前运行状态转换到下一个运行状态时，不仅和当前的运行状态有关，而且和当前运行状态所持续的时间有关，然后用改进的Viterbi算法求解每类设备的最佳状态转移序列，根据每类设备的均值可以得到每类设备所消耗的功率。最后，本文从整体和局部提出了两种评估测度，总的分解误差和单类设备的比重误差。评估实验数据表明，HSMM提高了状态识别的精度，同时对六个家庭电力负荷的实验结果表明所提出的改进方法有较好的识别效果，分解精度较高，可以有效的实现非侵入家庭电力负荷的分解。