一种基于深度学习的变压器故障诊断方法，属于变压器故障诊断领域。该方法首先对油中溶解气体分析方法采集的故障特征气体H2、CH4、C2H2、C2H4、C2H6的浓度数据进行去重、异常值处理并用随机森林方法对缺失值进行填充，然后对数据进行归一化处理，形成训练集样本和测试集样本；建立三层栈式稀疏降噪自编码器模型，并将传统分类模型中的交叉熵损失函数改写为Focal损失函数；该方法通过类别样本权重确定超参数并在输入中加入高斯白噪声，让自编码器充分提取有效特征，从而得到有效的特征提取模型，利用Softmax分类器输出模型的诊断结果。本发明提供的变压器故障诊断方法与三比值法、SVM和BP神经网络等现有方法比较具有很好的诊断性能，有效地提高了变压器故障诊断的准确率。