本发明公开了一种基于小样本学习的绝缘子污秽放电状态识别方法及系统，本发明包括训练图神经网络模型的步骤：获取声音样本信号数据集；针对声音样本信号数据集中的声音样本信号通过短时傅里叶变换获得语谱图；通过对语谱图进行变换以扩充声音样本信号数据集中的样本量；将语谱图输入预先训练好的特征提取神经网络提取得到特征向量，利用特征向量及其对应的标签向量作为输入来训练所述图神经网络模型。本发明可利用相对少量的绝缘子污秽放电声音样本进行机器学习，提高绝缘子污秽放电状态的识别准确率和稳定性，节省了人力物力成本，同时考虑到了实际运行状态下的噪声影响，因此(56)对比文件CN 111312292 A,2020.06.19CN 111598167 A,2020.08.28CN 111700608 A,2020.09.25CN 113065484 A,2021.07.02CN 113140228 A,2021.07.20CN 1558225 A,2004.12.29JP 2008026292 A,2008.02.07RU 2007133044 A,2009.03.10张若凡 等.基于语谱图的老年人语音情感识别方法《.软件导刊》.2018,第17卷(第9期),28-31.龚云鹏 等.基于灰度域特征增强的行人重识别方法《.计算机应用》.2021,第41卷(第12期),3590- 3595.Shubham Dokania 等.GraphRepresentation learning for Audio & Musicgenre Classification《.arXiv》.2019,1-7.陈兴新 等.基于 XGBoost 算法的绝缘子污秽放电在线诊断方法研究《.湖南电力》.2021,第41卷(第2期),36-40.Victor Garcia 等.FEW-SHOT LEARNINGWITH GRAPH NEURAL NETWORKS《.arXiv》.2018,1-13.Gong Yunpeng 等.A general multi-modaldata learning method for Person Re-identification《.arXiv》.2021,1-15.龚云鹏 等.基于灰度域特征增强的行人重识别方法《.计算机应用》.2021,第41卷(第12期),3590-3595.汪洋 等.基于EEMD和边际谱熵的绝缘子污秽放电模式识别《.绝缘材料》.2015,第48卷(第7期),23-28.Satish Kumar Polisetty.PartialDischarge Classification Using AcousticSignals and Artificial Neural Networksand its Application in detection ofDefects in Ceramic Insulators.《electrostatics.org》.2019,1-64.