抽水蓄能机组运行环境恶劣,工况切换频繁,安全风险日益突出。在此背景下,本文综合运用信号处理、智能优化算法、机器学习等方法,对机组振动信号降噪、故障诊断以及劣化趋势预测等问题开展系统的研究。本文主要研究内容与成果如下:（1）针对抽水蓄能机组振动监测信号中有效信息被强背景噪声湮没的问题,提出一种融合自适应奇异值分解与变分模态分解的振动信号降噪方法。采用奇异值分解对信号进行初级滤波,引入自适应权重粒子群算法优化变分模态分解参数,依据排列熵值进行模态分量重构,完成信号降噪。实验结果表明,所提方法能有效去除噪声,并且最大程度保留故障特征频率成分,为抽水蓄能机组故障诊断奠定数据基础。（2）为克服多维特征冗余信息和最小二乘支持向量机参数对诊断效果影响较大的问题,构建了基于核主成分分析降维与自适应权重粒子群算法优化最小二乘支持向量机参数的抽水蓄能机组故障诊断模型。分别采用机械故障平台数据和抽水蓄能机组空化状态监测数据对所提模型的有效性进行验证。结果表明所提模型能够有效提取故障信息并精准识别故障类型,取得了99.44%和100%的诊断精度。（3）针对抽水蓄能机组故障数据匮乏、深度学习模型训练成本高的难题,设计了一种基于迁移学习和残差网络的抽水蓄能机组故障诊断方法。以Res Net-18模型作为预训练模型,采用冻结浅层网络,训练深层网络的微调策略实现模型的迁移。将振动信号的频域数据作为模型的输入,结果表明所提方法有效提高了诊断精度和效率。（4）针对传统趋势预测方法未充分考虑抽水蓄能机组工况变化和多源振动信息的不足,提出一种抽水蓄能机组变工况劣化趋势预测方法。首先,构建基于BP网络的机组标准健康模型;进一步,融合欧氏距离和熵权理论提出机组劣化度模型;最后搭建卷积-长短期记忆趋势预测模型。将所提方法应用于抽水蓄能机组劣化趋势预测实例分析中,结果表明所提方法能够有效表征机组劣化水平并预测机组劣化趋势。