水力发电有着无污染、安全性高以及技术相对成熟等诸多优势,目前已经被世界各国所使用,我国更是水力发电大国。水力发电站的核心部件是水轮机,其中空化一直是影响水轮机组安全运行的主要原因之一。本文围绕着水轮机空化信号特征的提取与分类,以及初生空化的预警等问题,使用数字信号处理以及深度学习等研究手段,主要完成了以下的内容:（1）在水轮机不同位置发生的空化,其信号特征不尽相同,故在此基础上提出了基于改进的符号动力学熵（IMSDE）的空化特征提取方法。使用一段空化信号对算法的性能进行分析和测试,证明了IMSDE算法不但能更好地体现信号的区别度,同时还能更好地抑制环境噪声。接着使用四个不同工况下的水轮机空化信号,对算法进行实验验证,将IMSDE算法提取到的特征使用拉普拉斯分值（LS）进行特征优选,最后使用最小二乘支持向量机（LSSVM）对优选后的特征进行分类识别,验证了IMSDE算法的特征提取能力更优秀,可以完成水轮机不同位置发生空化的分类识别工作。（2）水轮机翼型空化是最常见的,也是最主要的危害水轮机叶片的方式之一。在水轮机不同强度空化信号的特征不同的前提下,提出了基于堆栈稀疏自编码（SSAE）的空化特征提取方法。并针对原始随机森林（RF）分类器中,存在的对所有生成决策树一视同仁,导致其容易出现平局的问题,使用Out-of-bag概率和后验概率的概念,提出了一种改进的随机森林算法（OPRF）。接着使用四个不同工况下的水轮机空化信号,对算法进行实验验证,证明了OPRF分类器优于RF分类器,本文提出的SSAE-OPRF算法,可以更准确的完成水轮机不同强度空化信号的分类识别工作。（3）针对直接使用空化信号幅值域进行特征提取,导致深度学习算法模型分类识别效果不理想的问题,提出了WT-SSAE-OPRF和PSD-SSAE-OPRF算法模型。接着使用四个不同工况下的水轮机空化信号,对上述两个新提出的算法模型进行了实验仿真工作,证明了上述两种算法模型分别在总体分类识别精度和仿真效率上的出色表现,可以分别满足水轮机空化强度识别在准确性以及实时性上的需求。然后针对单一传感器采集到的水轮机空化特征不全面的问题,提出了基于D-S证据理论的多传感器融合模型。通过对三种传感器特征决策层级的融合,使得多角度提取水轮机空化特征成为可能。最后通过实验数据验证了融合的方法可以有效地提高水轮机空化强度的总体分类识别精度。通过上述两种方法模型的提出,使得SSAE-OPRF算法得到优化。（4）最后,为了完成水轮机初生空化的预警工作,使用峭度和均方根运算对水轮机噪声信号进行计算,接着在符号动力学滤波SDF的基础上提出了改进的符号动力学滤波算法SMDF,并给出了初生空化监测指标M,接着通过实验仿真验证了新提出的监测指标,优于峭度监测指标和均方根（RMS）监测指标,可以更好的对水轮机的初生空化现象进行预警。