面对日益严重的能源紧缺的问题以及用电量逐年增长的现状,产生了对用电节能改造以及发展智能电网技术的需求,非侵入式负荷监控NILM的概念模型被提出来,然而现今NILM方法在识别性能上和对电器类型的覆盖率还有待完善。主要原因是没有一种NILM算法能够保证一定的识别性能还能兼容所有的电器负载类型,同时不要求使用高端硬件采集数据。而将正蓬勃发展的深度神经网络技术应用于NILM任务中,是一种很有希望的尝试。该类方法不要求高采样率,只使用低端硬件采集数据,通过深度神经网络的深度学习能力学习电器负载特征的本质建立相应的负载模型,以此进行负荷识别分解。而且基于深度神经网络的NILM方法在一些研究中已经表现出优于传统方法CO(组合优化)和FHMM(阶乘隐马尔科夫模型)的性能,这表明通过深度神经网络结构对NILM进行性能优化具有一定的可能性。由此本文首先分析了现有的基于深度神经网络进行NILM方法存在的一些性能问题。针对该问题,本文分析研究并最终选定了两种基本神经网络结构dAE(去噪自动编码器)和RNN(循环神经网络)来处理NILM中的一些识别性能场景问题。基于dAE和RNN结构提出了基于深度神经网络的优化框架进行NILM。该优化架构结合了dAE网络和RNN网络的优势,利用dAE网络的类滤波和去噪特性作为预处理网络结构,然后利用RNN网络适合处理长历史顺序数据的特性作为第二处理环节,经过两次针对性的数据训练来提高NILM中对于负荷识别精度与识别负载类型支持率的要求。最后本文搭建实验平台进行优化架构的实验,通过对比试验对其进行了性能测试,验证了在NILM中应用该优化的神经网络架构的有效性。