针对柔性直流配电系统拓扑结构复杂，故障种类多、故障识别难度大等问题，提出一种基于相对熵(K-L)散度优化变分模态分解(VMD)与结合Inception的卷积神经网络(CNN)的故障检测方法，该方法首先对故障点的正极暂态电压时域波形采用K-L　VMD方法提取特征分量，利用特征模态分量构造识别判据，接着对采样数据进行CNN训练，获取模型最优参数，最后利用仿真平台搭建了一个基于模块化多电平变换器(MMC)的10　kV两端直流配电网结构来验证所提方法的有效性，仿真实验表明利用K-L散度优化变分模态分解对仿真数据进行处理，具有良好的推广能力，且具备对噪声的抗干扰能力，所提出的故障检测方法有效，对于各种故障类型的识别具有较强的灵敏性，能准确识别故障类型。