基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法，然而该方法在处理各状态类别间样本数量不平衡的数据集时，各类型状态识别效果差距较大，识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法，针对最大不平衡度为266∶19的油色谱数据集，构建了一种用于变压器故障诊断的BPNN模型。首先，基于SMOTE算法对样本数据集进行有选择的扩充，该算法结合了近邻分析和线性插值的思想，减少了样本扩充所导致的模型训练的过拟合现象。然后，构建五层神经网络，并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数，从而更关注于少数类样本的识别和区分。实验结果表明，文中模型相比于原始BPNN模型在总体准确率上提升了6.48%，各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%，并且算法收敛更快。在和传统机器学习方法的对比中，文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。