针对配电系统用户数据识别中单一模型特征选择困难、分类精度低的问题，提出了一种多模型层次融合的识别方法。首先，设计了一种多尺度连接的递归算法来提取用户数据的特征，使得浅层融合的有效信息不会随着层数的增加而消失。其次，对alpine训练模型进行了改进，提高了模型的分类性能。最后，对六个基本模型进行分层加权融合，用阈值划分层次，并重新定义混淆矩阵的错误样本数来确定权重，有效地克服了基本模型的适应度缺陷。该融合方法识别用户特征数据库的准确率为99.43%，分别比传统的卷积神经网络和加权融合方法高0.53%和0.47%。实现了用户数据的特征提取和高精度识别，有助于提高配电系统的信息处理和智能决策水平，为电力需求侧的用户服务和运行管理提供支持。