近年来，随着水电站高水头、大容量的发展趋势，要保证水电站机组及厂房结构安全、稳定的运行，对大型水力发电站的机组及厂房结构开展原型振动试验，并对实测的振动信号进行分析处理，利用智能诊断方法进行故障诊断，是一项有重大意义的工作。在水电机组进行智能故障识别中，支持向量机是基于少样本情况下，就机器学习问题所建立的一种新的智能故障识别理论体系。同时，故障特征提取方法也是故障诊断中的重要环节。分形方法通过计算振动信号的分形维数，可以有效地提取出特征向量，有助于对水电机组的状态进行识别。本文在对分形和支持向量机深入了解的基础上，进行了以下方面的研究:　　首先论述了国内外状态监测与故障诊断的发展现状及存在的问题，在研究了传统信号分析方法以及故障诊断方法的基础上，本文提出了将分形与支持向量机用于水电机组的故障诊断，解决了提取特征向量的困难和样本数较少的问题。　　接下来研究了利用小波包对振动信号进行降噪的方法，将分形相关理论引入到水轮发电机组故障模式识别中，介绍了几种分形维数及其测量方法，选择了一种与盒维数类似的网格分形维数进行特征提取，利用维数相关性判别法进行故障诊断，并在实例中验证了此方法的有效性。　　然后介绍了支持向量机的原理及最优超平面的构造，并对如何选取核函数进行了论述。对水电机组振动信号进行分形维数特征提取，将特征向量输入经过遗传算法和粒子群优化后的SVM网络中进行故障诊断。结果表明，两种优化方法都能够对机组的运行状态进行故障诊断，值得进一步地研究。　　最后将小波包分形与SVM相结合对新疆塔尕克水电站的振动信号进行故障识别，结果表明，该方法能够对不同的故障进行很好地分类，为水电机组的故障诊断开辟了新的思路。