水电机组是水能资源开发利用的核心装备,承担着电力系统调峰、调频、调相以及事故备用等关键任务,因此机组运行工况切换频繁,且各工况参数的变化时间尺度不一致,复杂多变的工况条件为掌握机组运行状态及保障机组安全高效运行带来了较大困难。为此,本文以计算流体力学、人工智能以及智能优化等先进方法为理论背景,以物理驱动的模型仿真与数据驱动的机器学习为技术手段,从水电机组运行状态仿真、监测数据增强、性能状态评估以及劣化趋势预测等角度,开展复杂工况下水电机组状态评估及劣化趋势预测方法研究,为提升水电站智能运维水平、促进水电机组状态检修模式转型提供技术支撑。本文的主要研究内容及成果如下:（1）建立了水电机组全流道多工况流场仿真模型,探明了负荷、水头等工况参数对翼型空化和尾水涡带等流动现象的影响规律,以及过流系统瞬态压力脉动频率成分与机组流动特性的关联关系;在此基础上,建立了水电机组转轮流固耦合模型,求解了多源外力作用下转轮的固有振型模态,判断流致振动引起转轮共振的可能性较低;此外,通过求解转轮应力应变分布,定位了转轮易受损部位为叶片出水边,进一步估算了机组转轮的理论使用寿命,为基于数据驱动的机组性能评估结果解释提供了参考依据。（2）围绕水电机组监测数据存在的数据异常和数据缺失等工程实际问题,首先充分考虑机组工况与监测数据之间的关联关系,提出了基于空间密度聚类算法的低质量监测数据清洗方法,自适应地去除工况-监测量数据集中的异常样本;进一步,以Wasserstein生成对抗网络为数据生成的基本架构,以衰减机制门控循环神经网络为缺失信息挖掘的关键组件,建立了水电机组监测数据缺失值填补模型,提高了缺失填补的准确性,增强了水电机组低质量监测数据的利用价值,为机组状态评估与劣化趋势预测提供了高质量数据基础。（3）围绕传统基于固定阈值的水电机组状态评估方法未考虑工况参数对机组监测数据的影响,而现有的确定性映射健康模型受信号分布范围影响较大的问题,充分考虑数据的概率分布特征对低采样率及随机波动强鲁棒性的优势,基于狄利克雷过程高斯混合模型拟合机组健康样本的概率密度函数,建立了水电机组关键测点健康概率模型,提高了机组健康模型的稳定性;在此基础上,基于自调节层次分析法融合多个关键测点性能劣化信息,构建了机组综合性能劣化曲线,全面准确地描述机组服役状态的劣化过程,有助于运维人员实时掌握机组性能。（4）针对机器学习预测模型超参数难以高效调优的问题,设计了约束检测、显著性检测及训练步数检测机制,提出了改进Hyperband超参数优化算法,并据此自动优选时序模式注意力机制长短时记忆网络模型中的多类型超参数,建立了水电机组劣化趋势自优化点预测模型,提高了预测精度;进一步,利用非支配排序与精英选择策略,同时以可靠性与确定性为目标优化高斯过程回归算法的核函数参数,建立了水电机组劣化趋势自优化概率预测模型,解决了传统预测模型难以描述结果不确定性及寻优目标单一等问题,为动态调整机组状态检修策略提供决策支持。