为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机(Support Vector Machine,SVM)参数选择不当而导致识别准确度低,在引入M-ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时,利用改进遗传算法(Genetic Algorithm,GA)优化各子分类器的惩罚因子、松弛变量及核函数参数,从而构造出最优参数SVM分类模型。开展交联电缆局部放电模拟试验并提取了表征灰度图象内在分形特征的4个分形维数作为局部放电模式识别的放电指纹,分别采用优化SVM、未优化SVM及径向基函数(Radial Basis Function,RBF)神经网络作为模式分类器完成缺陷分类,并通过对比三者识别效果验证了优化模型的正确性。结果表明,以优化SVM作为分类器时各缺陷识别率均大于95%,且无论是否优化参数,SVM总体识别能力要优于RBF神经网络。