水电机组作为水电能源转换的核心设备,呈现巨型化和智能化的发展趋势。机组的运行环境恶劣且受水力、机械、电磁等耦合因素的影响,使得设备异常振动、耦合故障、疲劳劣化甚至结构破坏等安全风险日益突出,机组状态维护的研究备受学界关注。在此背景下,本文针对水电机组状态维护中振动信号降噪、故障诊断、趋势预测所面临的关键科学问题,以时频信号分析、群智能优化算法和机器学习等为研究手段,研究提出适用于水电机组振动信号分析方法,构建基于群智能理论的特征约简与模型参数协同优化的振动故障识别模型,提出考虑多运行参数的健康性能趋势预测方法,设计基于信息融合的健康性能区间多目标优化策略,对保障机组的安全、稳定运行,具有十分重要的理论意义与工程应用价值。本文的主要研究内容与创新性成果如下:（1）针对在复杂水-机-电因素的影响和背景噪声的干扰下振动信号难以有效表征水电机组运行状态的问题,提出基于模态分量重构与自适应奇异值分解（SVD）的振动信号多级降噪方法。设计了基于相关性分析的VMD模态分量重构策略,有效滤除高频噪声成分;研究提出基于峭度理论的奇异值阶数自适应选取方法,利用SVD实现对重构信号的次级降噪,消除非周期性随机噪声成分,为机组运行状态分析提供必要的数据基础。（2）针对多维特征存在冗余干扰和诊断模型性能受参数影响较大的问题,提出基于混合智能算法的特征约简与模型参数协同优化的故障诊断策略。研究提取了不同故障模式下的多维特征;利用二进制智能算法对多维特征进行约简,突破了传统特征约简的局限;采用十进制智能算法求解了模型参数的最佳组合,实现了故障特征属性和诊断模型参数的有效关联,发展了机组振动故障诊断的研究范式。（3）针对传统的趋势预测方法通常仅考虑一维监测数据的不足,考虑机组多运行状态参数,构建了基于卷积-长短期记忆神经网络（CNN-LSTM）的水电机组健康性能趋势预测模型。研究分析了工作水头、有功功率和导叶开度与机组振动特性之间的关系,搭建了可表征机组特性的健康状态模型,提取了可量化机组的性能水平的健康指标因子,提出了具有良好局部特征提取和非线性学习能力的CNN-LSTM预测方法,有效揭示了机组健康性能的演化规律。（4）考虑不同部件的性能水平对机组整体性能的影响及点预测模型无法传达不确定性信息的缺陷,提出基于信息融合与多目标智能优化的健康性能区间预测模型。引入熵权理论解析了机组不同部件的健康状态信息,构建了可表征整体健康水平的综合性能指标,考虑预测区间的不确定性,制定基于多目标算法的预测模型最佳参数全局优化策略,获取较为准确且可靠的机组健康性能未来波动范围,为运维人员对机组健康状态进行风险分析及运维决策提供支持。