基于人工智能的多特征融合是提高变压器保护可靠性的有效手段,但在实际应用中面临着泛化能力不足的问题.为解决基于人工智能的变压器保护泛化能力不足问题,该文在研究等效磁化曲线(励磁支路电压–差动电流)图像的基础上,提出卷积神经网络(convolutional　neural　network,CNN)的特征迁移策略.一般地,电力专家根据经验知识,仅通过曲线非饱和部分即可可靠地判断变压器运行状态,不受不规则饱和部分的影响.基于此,将移除饱和部分后的图像作为源域,对应的原始图像作为目标域,分别用于训练两个结构相同的CNN,定义为SDCNN和TDCNN.在二者对应的卷积层间嵌入适配层,计算特征分布差异即适配损失,TDCNN以分类损失和适配损失加权之和最小为目标,将更加关注非饱和特征,最终用于构建泛化能力强的变压器保护.另外,该文提出适配层的dropout策略,用于降低耦合关系造成的TDCNN过拟合风险.通过PSCAD仿真及动模实验,训练及测试结果、传统CNN的对比结果证明了该文的特征迁移算法有效性.