为了提高对复杂电能质量扰动(power　quality　disturbances,PQDs)的分类准确率，该文提出一种基于特征融合并行优化模型的PQDs分类方法。该方法以特征融合的方式，使用全卷积神经网络(fully　convolutional　networks,FCN)和长短期记忆网络(long　short-term　memory,LSTM)并行挖掘PQDs在空间和时序上的高维特征，并提出全局最大池化(global　max　pooling,GMP)和时间序列重组(time　series　reshape,TSR)优化，提升模型的分类性能。为了验证所提方法的有效性，该文基于Keras框架搭建分类模型，建立含72类扰动的PQDs数据库并进行仿真实验，所提方法在20dB白噪声环境中平均分类准确率可达92.38%，相较于其他主流深度学习分类方法有更高的噪声鲁棒性和分类准确率。另外，对硬件平台所采样的10类PQDs进行分类测试，共100组实验信号均得到正确分类，该结果进一步验证了所提方法的可靠性。