随着国民经济的快速发展,我国电力需求也面临着急剧增长的局面,水力发电作为电力能源结构的重要组成部分,其综合开发和利用已经成为我国可持续发展的重要战略方向。水电机组作为水力发电的关键设备,目前正在向大型化、复杂化、集成化、精密化、自动化方向发展,与此同时,其安全性和稳定性问题也日趋突出。水电机组振动包含机组运行状态的重要信息,同时,当其数值超过一定阈值时,也会成为影响机组安全运行的主要故障。因此,开展水电机组振动故障诊断技术研究,已成为保证水电机组和电网安全、稳定运行,提高设备利用率,避免重大经济损失和人员伤亡的迫切要求。特征提取和故障诊断方法研究是水电机组振动故障诊断过程中的两个关键问题,许多学者在这些方面进行了广泛的探索和深入的研究,并取得了相应的成果。然而,由于水电机组自身的复杂性和某些传统方法本身的特性决定了其在不同程度上存在不足,使得水电机组故障诊断结果的准确性还难以得到保证。因此,为确保水电机组振动故障快速、准确的诊断,一方面需要对原有方法进行改进,发挥其优点,抑制其不足,满足水电机组振动故障诊断要求；另一方面,需要利用国内和国际上先进的技术,加强对新的特征提取和故障诊断方法的探索和研究,寻求更加合理的水电机组振动故障诊断解决方案。小波分析方法克服了傅里叶变换的诸多缺陷,能够同时展现出信号的时域特征和频域特征。多小波分析是小波分析的扩展,其不仅继承了小波分析的优点,而且能够同时具有正交性、对称性,紧支撑、高阶消失矩等多种优良特性,具有更加广阔的应用前景。本文结合水电机组的特点,以小波、多小波理论为基础,以改进、优化现有方法和提出、引入新方法为手段,以水电机组安全、稳定运行为目标,分别从水电机组振动信号特征提取和故障诊断方法方面,展开了深入的研究,为水电机组振动故障的快速、准确诊断提供了新的思路和解决方案。具体研究内容包括：系统阐述了小波、多小波理论,研究了多小波预处理方法,为水电机组振动信号降噪预处理和故障特征自适应提取方法的提出奠定理论基础；详细分析了小波阈值降噪方法和多小波相邻系数降噪方法,并在此基础上提出了基于多小波相邻系数降噪的水电机组振动信号降噪方法。通过与小波阈值降噪方法进行实验对比分析,并考虑不同基函数、阂值函数和多小波预处理方法对降噪效果产生的影响,验证了所提出方法的有效性。提出了基于综合检测指数的水电机组自适应多小波振动故障特征提取方法。首先,以综合检测指数最大值为优化目标,利用遗传算法从自适应多小波库中选择最优多小波；然后,利用该多小波分别对转子实验台和水电机组采集的振动信号进行特征提取；接下来,用K均值聚类方法检测该方法的有效性。实验结果表明,与基于综合检测指数的GHM多小波特征提取方法和DB4小波特征提取方法相比,所提出的方法能够有效的增强特征参数对故障的敏感性,获得更高的故障识别率。结合小波与神经网络理论,提出了基于蚁群初始化小波网络的水电机组振动故障诊断方法。采用蚁群算法对小波网络的参数进行初步寻优,将优化后的参数作为小波网络的初始化参数,利用梯度下降法完成小波网络的后续训练。水电机组的实例诊断结果表明,该方法克服了传统小波网络对初始参数敏感的缺陷,具有较快的收敛速度和较强的泛化能力。结合多小波与神经网络理论,提出了基于径向基多小波网络的水电机组振动故障诊断方法。采用多小波尺度函数作为径向基多小波网络的核函数,建立网络模型,并将该网络模型引入到水电机组振动故障诊断中,加快了网络收敛速度,增强了网络的泛化能力,更适用于水电机组振动故障的在线学习和诊断。论文最后对本文的主要研究内容进行了系统的总结,并指出了水电机组振动故障诊断的研究重点和小波、多小波相关理论在水电机组故障诊断应用方面未来需要开展的研究工作。