为了解决局放模式识别的准确性受不平衡样本与神经网络深度结构制约的问题，提出了一种基于CycleGAN与深度残差网络的局放数据增强与模式识别方法。首先对稀疏表示去噪及脉冲提取得到的局放脉冲信号进行S变换得到局放时频谱图作为训练样本。然后利用CycleGAN实现对局放时频谱图的重构增强，同时引入对抗损失函数、循环一致性损失函数，以保证局放数据的高质量生成，扩充后的局放样本库丰富度更高。最后利用增强后的局放数据集训练深度残差网络，利用残差块的恒等映射结构自适应调节网络深度，解决了深度网络不易收敛的问题，同时实现对局放信号的精准辨识。实验结果表明，经数据增强的深度残差网络模式识别准确率达到98%，较增强前提高了6.8%。