电气故障长期是建筑与工业火灾事故主要诱因，现有电气火灾监测依靠固定阈值发出告警，无法捕捉线路早期隐性故障，现场采集数据存在故障样本稀缺、各类监测参数独立分析等现实短板，常规识别模型的故障识别灵敏度偏低。本文整合电流波形、谐波、温度、环境参数多类监测信息，搭建多模态数据融合预警模型，依托谐波畸变、电流波动熵、温度梯度构建专属电气指纹特征向量，搭配混合采样策略缓解数据集类别失衡问题，构建多任务学习框架同步完成隐患判别、故障分类与风险评估，引入贝叶斯深度学习量化预测结果置信度，依据风险评分划分三级自适应预警阈值并配套分级联动处置体系。现场工程实测结果表明这套识别体系能够充分挖掘电气故障耦合特征，降低故障漏报与误报概率，适配配电线路长期运行过程中小样本不平衡监测场景，可为建筑、厂区电气火灾前置防控提供完整可行的技术方案。