针对110 kV交叉互联电缆输电线路故障分类不全、分类准确率低等问题。提出了一种基于Bagging-异质k近邻提升学习的交叉互联电缆故障分类方法，首先通过对各类故障得到的主芯及护层电流、电压等相关电气参数归一化处理，构建电气参数特征矩阵；然后基于k近邻（k-NN）算法采用不同k值及不同距离度量作为个体学习器并构建高差子学习器，通过引入Bagging算法提高异质学习器的整体学习效率，可以实现针对不同类型、不同区域交叉互联输电电缆故障的有效区分。该方法相比于传统SVM、k-近邻及逻辑回归等分类方法，降低了多分类误差率及空间复杂度并提高了模型泛化能力，具有较大的工程运用潜力。