电气火灾在各类火灾中的占比一直居高不下,其中造成电气火灾很重要的因素是故障电弧。故障电弧特性复杂,可以在电流较小的情形下发生,避开了传统电气保护装置的保护范围,给低压配电线路埋下了火灾隐患。因此,为了降低电气火灾发生,减少经济财产损失及防控重大安全风险,研究故障电弧检测技术十分有必要。本文以在电弧物理实验平台上收集的电压电流录波数据为基础,根据电弧故障保护产品的功能定位和保护范围,对单负载电路结构和多负载电路结构下的故障电弧检测方法分别进行研究。全文主要研究工作如下:（1）考虑电路中接入的负载数量、负载种类及电弧发生位置设计了实验方案,在平台上进行拉弧实验,收集量测数据构成了实验数据集。对比分析各种场景下的电流信号,并结合电弧特性提取时域、频域和图像特征构建故障电弧特征集。其中,时域特征有零休时间等,频域特征有电流谐波幅值,图像特征包括V-I二值图像。对特征统计结果分析表明,负载种类、电弧发生位置和电路结构均会对特征值产生不同影响。（2）在单负载电路结构下提出了一种基于谐波特征和随机森林的故障电弧检测及负荷识别方法,并就方法在实际中的应用简化进行了讨论。将故障电弧检测视为分类问题,结合机器学习中的经典分类算法,训练检测模型来判断量测数据对应的场景中是否含有故障电弧。选用K近邻等4种分类算法结合提取的多个特征进行同一数据集上性能对比评估。测试结果对比表明所提检测模型的有效性,通过合理的标签设置,故障检测的同时可实现负荷识别。（3）在多负载电路结构下提出了一种基于复合特征和深度学习的故障电弧检测及故障定位方法,并讨论了电路结构对检测正确率的影响。选取单一特征正确率较高的谐波特征和V-I二值图像特征作为基础特征量,分别使用全连接神经网络与卷积神经网络进行训练,然后提取2个网络隐藏层的输出拼合成一个特征向量,形成复合特征。接着再以复合特征为输入训练新的神经网络构建故障电弧辨识模型。检测结果对比表明,复合特征充分利用了谐波特征和图像特征的互补性,相比于单个特征,故障检测正确率得到提升,合理的标签设置实现了故障检测的同时给出故障位置的参考信息。