本发明公开了基于机器学习与卡尔曼滤波的微弱次同步振荡辨识方法，涉及电力系统稳定及控制技术领域，包括神经网络模型与卡尔曼滤波模型两部分：神经网络模型负责从原始振荡信号中提取每个次同步振荡分量的预估计振荡频率；卡尔曼滤波模型使用机器学习模型输出结果作为初始参数值，从总的原始信号中提取出相应的次同步振荡分量，基于输出结果，依据数值计算公式计算得出次同步振荡信号各次同步振荡分量的频率、幅值、阻尼比等振荡参数；具有优异的抗噪性，并解决了传统卡尔曼滤波方法难以直接应用于次同步振荡辨识的难题，且相比于常规机器学习算法拥有更好的模型可解释性，相比于传统方法拥有更好的实时性，适应了实际工程应用的需求。