【摘要】面对现代电力系统日趋复杂、呈现强非线性特征所引发的故障诊断困境，传统诊断技术普遍存在响应滞后、诊断精度不足、抗干扰能力薄弱等缺陷。因此，本文分别将支持向量机（SVM）、卷积神经网络（CNN）与循环神经网络（RNN）应用于电力系统故障诊断领域，并对三种算法的实际性能展开系统性对比分析。研究首先借助MATLAB/Simulink 仿真工具构建三相电力系统模型，模拟生成 ABC 三相短路、AB/AC/BC 两相短路等常见故障类型对应的电压与电流波形数据；接着，在 Python 环境中完成数据清洗、特征提取与模型训练等流程，深入探讨采样频率、噪声强度、数据采集时长等关键参数对模型故障辨识效果的影响；最后，以诊断准确率、召回率、F1 分数作为核心评价标准，系统对比三种算法的应用效能。实验结果显示，RNN 算法在捕捉故障时序特征方面表现最优，测试集准确率达 96.8%；CNN 算法在局部特征提取上优势显著，准确率为 95.2%；SVM 算法在小样本场景下泛化能力良好，准确率为 89.5%。本研究可为电力系统故障诊断算法的选型与优化提供数据支撑和实践指导。