本发明涉及一种基于车网耦合的未知异常电气现象辨识方法，将典型已知异常电气现象训练数据输入到训练好的辨识模型中，将模型倒数第二层的输出作为每类样本的激活向量。对同一类分类正确样本的激活向量求和并求均值得到每类的平均激活向量。用激活向量和每类的平均激活向量之间的距离拟合每类的威布尔概率分布模型，拟合结果为各类威布尔模型的位置参数、形状参数、比例参数。输入待识别的测试数据，基于威布尔模型拟合结果和调整系数修改测试数据激活向量，计算属于未知异常的概率。本发明将深度学习应用到车网耦合系统未知异常电气现象辨识领域，在对典型异常电气现象辨识的同时可以识别出未知类，解决了现有深度学习无法辨识未知异常的难题。