作为一种重要的清洁能源,水电在我国电力调度中承担着不可或缺的调峰、调频作用。水电机组是水电站重要的机械设备,积极开展水电机组的诊断维护工作,有利于及时掌握故障信息,降低机组故障风险,提高电网安全水平。此外,目前大型水电设备发展逐步高速化、规模化、分布化,给电站的故障诊断和数据处理带来了不小的压力。因此,本文立足于压缩感知理论,围绕水电机组振动信号处理、特征提取、压缩重构以及故障诊断等重难点,以参数优化、深度学习、稀疏表示为工具,提出一种与电站资源相结合的理论应用模型;在减少采样点的前提下,精确诊断机组异常状态;采用学习字典代替原有固定字典,有效提高信号稀疏程度和重构精度;基于稀疏表示理论,构建了一种深度压缩重构和故障诊断网络。本文的主要研究内容和创新点如下:（1）为缓解海量振动状态信号的采集传输压力,以结合水电站监测现状和压缩感知理论为导向,说明压缩感知和稀疏表示理论,研究压缩信号的故障诊断依据和重构原理,提出基于电站安全分区的应用模型,为后文奠定基础。（2）为实现基于压缩测量信号的故障诊断,建立基于压缩信号的故障诊断模型。为解决诊断性能和传输效率的矛盾,推导压缩维度区间,定义维度下降速率的概念,提出一种搜索最佳压缩维度的算法,指导电站确定最优压缩维度。分别在振动公开数据集和水电站实际运行的轴承振动信号实现了故障诊断的每个环节,验证了压缩信号故障诊断的可行性,说明了所述维度搜索算法的有效性和快速性。（3）水电机组工况变化复杂,为分析信号重构过程,取得振动信号自适应的稀疏表示,依据稀疏分解和字典学习理论,构建了基于字典学习的压缩重构模型。首先,组建信号常见完备字典、过完备字典和训练字典,分析迭代参数对重构过程的影响,研究各字典的分解稀疏度和分解误差,验证了自适应字典在稀疏表示层面的优越性。其次,采用小波分解降低样本的噪声,提升字典对含噪样本的学习能力。最后,在振动信号的压缩重构中,证明自适应K-SVD字典在减少迭代次数,提高重构精度的优势。进一步地,在电站主要工况信号上,验证了模型重构的能力。（4）为提高机组诊断和压缩感知的结合紧密程度,挖掘振动信号二维稀疏特征,首次提出一种基于稀疏特征图像的重构及状态识别网络。首先,以稀疏因子为指标对比图像稀疏度,选用DCT字典作为稀疏字典,将振动信号的稀疏系数和相应位置转化为稀疏图像的条纹深浅和位置,构成特征图像。其次,引入分块压缩感知的理论,从现地端压缩传感特征图像至分析远端,以深度卷积网络拟合重构过程,还原特征图像,保持特征原有差异。最后,结合CNN强大的特征提取能力,设计深度诊断网络提取各类型信号特征,进行有效地状态识别。