水电机组作为重要的清洁能源生产装备,其安全稳定运行直接关系到电站乃至整个电力系统的安全稳定。为大型水电机组配置状态监测与故障诊断系统支持机组运维科学决策已经成为学术界和业界共识,其中基于振动信号的方法最为有效,应用也最为广泛。水电机组是一个强耦合、复杂非线性的系统,其振动受到机械、水力、电磁等多种因素的综合影响,此外由于水电机组承担电力系统调峰、调频任务,运行中经常启停,工况切换频繁,其振动信号表现出极强的非线性和非平稳性特征。强噪声背景下的非平稳振动信号的特征提取方法和数据驱动的诊断识别方法是实现机组状态准确描述与故障精确诊断需要解决的关键和共性问题,对此,传统方法已难以满足当前背景下的应用需求。因此,研究新的旋转机械非平稳振动信号处理的理论与方法并提出有效的故障诊断策略,对丰富水电机组状态监测指标体系,提高机组故障检测与诊断准确性,保障机组安全稳定运行有着重要的理论价值与工程应用价值。为此本文围绕水电机组轴系振动信号的瞬时特征提取与智能识别方法开展研究,以全频谱、全息谱、复信号分解、深度迁移学习等作为理论基础与技术手段,在充分调研和分析国内外相关理论与技术研究现状的基础上,提出了瞬时轴心轨迹的概念,推求了针对不同应用场景的转子振动瞬时轴心轨迹特征的提取方法,进一步发展了多支承面转子系统振动瞬时轴心轨迹特征的提取方法,构建了基于转子振动信号融合轨迹特征与深度迁移学习的状态识别模型。论文主要研究内容及创新性成果如下:（1）针对传统方法难以精确描述旋转机械转子系统非平稳振动行为的问题,以全频谱理论为基础,提出用瞬时轴心轨迹来描述旋转机械轴系振动的瞬时状态,推求了瞬时轴心轨迹特征指标计算方法,提出了一种轴心轨迹高分辨率时频表示方法。首先,定义了瞬时轴心轨迹,将轴心轨迹描述的特征指标推广到瞬态;其次,借助Vold-Kalman滤波阶次跟踪技术提取目标阶次分量,通过对应阶次信号时域波形融合,实现瞬时轴心轨迹特征提取;最后,参考信号时频分析技术,将瞬时轴心轨迹特征投影到时频平面上,构造出纯化轴心轨迹时频表示,实现了轴心轨迹非平稳变化过程的直观呈现。（2）为了实现无转速信号条件下转子非平稳振动特征提取,发展了新的自适应非线性模态复信号分解方法与高分辨率复信号时频表示方法。针对复信号分解结果重构时存在相位偏差的问题,通过引入基于希尔伯特变换的复信号正/负频率分量分离方法,实现复信号正/负频率分量分离的同时减少相位偏移。发展了新的复信号分解算法,实现非线性调频复信号的自适应分解。基于分解结果和Wigner-Ville分布进一步提出了一种抑制交叉项干扰的复信号时频表示构造方法,实现了非平稳复信号的高分辨率时频表示,仿真和真实信号分析表明该方法可应用于水电机组转子非平稳振动信号分析。（3）为了全面直观分析多支承面转子系统的非平稳振动过程,提出了一种多元复信号变分模态分解算法,推导了多支承面轴心轨迹瞬时特征提取方法,进一步提出了转子振动三维瞬时轴心轨迹图,实现了多支承面转子非平稳振动过程的精确描述。水电机组轴系多支承面振动信号可以构造为一组多元复信号,通过多元复信号变分模态分解算法,实现了多元复信号多分量的同步分解。研究了转子振动多支承面瞬时轴心轨迹特征提取方法。进一步提出了一种用于描述转子系统轴系振动全貌的三维瞬时轴心轨迹图和融合时频表示。（4）为了实现旋转机械振动状态的自动识别,提出了基于多支承面振动信号融合特征与深度迁移学习的振动状态识别方法。为了适应基于卷积神经网络的深度迁移学习模型输入需要,提出了基于多支承面振动信号瞬时轨迹特征的融合特征图像构造方法。以融合特征图为驱动,引入深度迁移学习思想,将大型通用数据集上充分训练的预训练模型作为识别模型,设计了旋转机械转子系统轴系振动状态识别分类模型。基于振动信号和深度迁移学习框架进一步研究了无工况参量输入的水电机组工况快速判别方法,为实现水电机组故障诊断提供了支撑。（5）为了适应水电站大数据应用需求,研究了面向水电站大数据应用的水电机组振动监测数据管理方法。结合水电机组振动状态监测实际需求,发展了多维驱动的振动状态监测数据采集与管理方法,设计开发了面向大数据应用的水电机组振动监测系统。以真实机组开停机过程振动波形数据为例,验证了本文所提方法的有效性。