针对传统神经网络在变压器故障诊断中存在可解释性不足、时序特征提取能力弱等问题，提出了一种融合长短期记忆网络（LSTM）与柯尔莫戈洛夫-阿诺德网络（Kolmogorov?Arnold Network，KAN）的新型诊断模型——LKAN。该模型首先利用LSTM对变压器运行时序数据进行建模，并从隐藏状态中提取关键时序特征；随后将特征输入KAN层，通过B?spline基函数实现非线性映射与函数分解，提升模型的表达能力与可解释性。在真实电力变压器数据集上的实验结果表明，LKAN模型的故障诊断准确率达到98.80%，优于LSTM、卷积神经网络（CNN）、门控循环单元（GRU）及单一KAN模型，同时展现出较强的泛化能力与稳定性。LKAN模型有效融合了LSTM的时序建模能力与KAN的可解释性优势，为变压器智能故障诊断提供了一种高精度、可解释性强的技术路径，具有良好的工程推广价值。
