随着我国“双碳”战略目标的实施,大力发展水电、积极推进水电基地建设已成为共识。水电机组的安全稳定运行对于保证发电系统的性能、发电效率和电厂安全至关重要。随着电能需求的日益增加,水电站的出力要求也在逐渐加大,然而,水电机组在运行过程中长时间处于高温高压、变载荷、变速等复杂恶劣的环境,其安全性问题日益突出。研究表明,水电机组中80%的故障在振动信号中都有所体现。因此,基于水电机组振动信号研究准确、高效的水电机组故障诊断方法对于及时了解水电机组运行状态、保证水电机组安全运行、充分发挥水电站的综合效益具有重要意义。鉴于此,本文从水电机组振动故障诊断的三个方面:数据预处理、特征提取和故障识别展开深入研究,以期提升水电机组振动故障的准确性,具体研究内容如下:（1）水电机组长时间处于恶劣的运行环境中,如果直接对采集到的振动信号进行分析,其中包含的噪声会严重影响故障诊断的准确性。小波降噪方法应用广泛且降噪效果较好,但是小波降噪方法中包含的参数较多,且缺少一种有效的参数选择依据,难以实现水电机组振动信号的最优降噪。为了减小噪声干扰,本文提出了一种基于自适应小波降噪的水电机组振动故障信号降噪方法,以排列熵的最小值作为适应度函数,采用鲸鱼优化算法对小波降噪参数进行寻优。实验结果表明,本文所提出的方法可以自适应获得小波降噪的最优参数,提高水电机组振动信号的降噪效果。（2）为提高水电机组振动故障特征提取结果的敏感性,将连续变分模态分解（Successive Variational Mode Decomposition,SVMD）方法引入到水电机组振动故障的特征提取过程中,提出了一种基于SVMD的水电机组振动故障特征提取方法。考虑到SVMD方法中惩罚参数α对分解结果有重要影响,结合峰度指数和排列熵理论构造了一个新的适应度函数,采用樽海鞘群算法优化SVMD的惩罚参数α,并结合综合检测指数和T-SNE方法实现了水电机组振动故障特征的有效提取。实验结果表明,本文所提出的水电机组振动故障特征提取方法能够有效提取振动故障信号的敏感特征。（3）为提高水电机组故障诊断准确率,提出了一种自适应参数优化支持向量机（Support Vector Machine,SVM）故障分类方法,将分类准确率的最大值作为适应度函数,采用鲸鱼优化算法优化SVM的参数,并对比分析了四种不同核函数SVM模型的识别精度。实验结果表明,本文所提出方法可以有效提高SVM的故障识别准确率且线性核和多项式核函数SVM在水电机组振动故障识别中能够得到更高的故障诊断精度。