汽轮机组是发电系统的核心设备,其异常运行状态如不能及时被发现并处理,可能导致严重故障,甚至引发安全事故。因此需要对汽轮机组的运行状态进行监测,及时发现异常,确保安全生产。本文以汽轮机组实际运行过程中采集到的不同状态下的多变量时间序列数据为研究对象,建立了汽轮机运行状态监测模型,主要工作如下:（1）对汽轮机组的时序数据进行预处理,提出了基于改进的EEMD-小波变换联合去噪算法。对汽轮机运行数据中的缺失值和异常值完成处理后,采用EEMD-小波变换的联合去噪算法去除数据噪声。首先采用EEMD算法对时序信号进行分解,并去除与原信号相关性较低的IMF分量;其次将剩余IMF分量通过小波变换分解得到一系列小波基系数,并通过小波阈值法进行去噪;最后对信号进行重构。实验结果表明,该去噪方法优于单一的EEMD去噪或小波阈值去噪方法。（2）建立了基于实际运行数据的1D-CNN汽轮机状态监测模型。首先采用“多滑动窗口”方法制作汽轮机组运行状态样本,并划分训练集和测试集,分别用于模型的训练和准确率测试;其次,利用Tensorflow框架构建1D-CNN网络,并设定网络的初始参数;然后对网络模型进行训练,测试不同参数下模型的准确率,以此来确定优化器、学习率、训练批量数目、迭代次数等超参数。最后,将训练好的模型进行多次测试,实验结果表明该模型对汽轮机的不同运行状态具有较高的识别率。（3）提出了基于改进的CNN-GRU网络的汽轮机状态监测模型。首先将门控循环单元与CNN网络相结合组成CNN-GRU网络,该模型兼顾了对数据空间特征和时序特征的提取能力。然后对网络结构进行改进,包括改进激活函数、采用整体均值池化层代替全连接层、引入自注意力机制,达到防止过拟合和突出关键特征的效果。实验结果表明,改进的CNN-GRU模型具有良好的泛化能力,各项评价指标均优于1D-CNN模型,且与其他常用算法相比,拥有最高的识别准确率,证明了其对汽轮机运行状态识别的有效性。