本发明涉及一种基于改进深度自编码网络的异常用电行为辨识方法，将用户的用电数据作为训练样本，由自编码网络逐层自动地学习数据的有效特征，并以网络参数的形式保存。为了改善自编码网络的特征提取能力与鲁棒性，分别引入稀疏项限制和噪声编码，并利用粒子群算法对网络的超参数进行自适应的选取以提高模型的学习效率和泛化能力。当测试样本存在异常用电行为时，用电数据的特征规则遭到破坏，因此自编码网络对异常数据重构将产生较大的误差，以此判定是否存在异常行为。改进的深度自编码网络可实现无监督异常用电行为的辨识，且具有检测准确度高、训练时间短和鲁棒性强等优点。