设备健康运行是保证船舶安全营运的关键。定期维护和检修是现阶段轮机员保证设备正常运行的主要手段,然而现代船舶系统设备日益复杂,这些手段往往不能准确及时的发现系统设备存在的问题。因此,本文结合状态参数预测、故障诊断以及健康状态评估的相关方法,以船舶海水冷却系统为研究对象,建立一套完整的健康状态预测模型,并结合教学实习船“育鲲”轮的航行数据对模型的有效性进行验证。论文的主要内容如下:根据船舶海水冷却系统状态参数非线性、非平稳性的特点,选取在非线性和小样本预测中具备较好性能的支持向量机（SVM）进行参数预测。针对时间序列预测平稳化过程会损失部分原始信息而影响预测精度的问题,本文采用经验模态分解（EMD）来平稳数据序列,同时采用粒子群算法（PSO）解决SVM模型中参数选择困难的问题,最终建立组合的参数预测模型EMD-PSO-SVM。利用“育鲲”轮海水冷却系统的实际数据进行验证,结果显示EMD-PSO-SVM具备较好的预测效果。通过对船舶海水冷却系统的组成及常见故障进行分析,提出使用随机森林预测模型对海水系统的常见故障进行识别。随机森林是一种组合的分类器模型,按集成学习的思想将多棵决策树分类器进行组合,有效提高了故障诊断模型的预测精度和抗干扰能力。船舶海水冷却系统的健康状态评估模型采用了基于组合定权的云重心评判法,分析了主观定权和客观定权的优缺点,即主观定权太依赖专家的经验知识而客观定权太过依赖数据且会依照数据实时变化。最后使用组合定权的方式确定海水冷却系统特征参数的权重,并使用云重心评判法进行系统健康状态评估。最后,对参数预测模型、故障诊断模型以及健康状态评估模型进行整合,确定工作流程,建立起船舶海水冷却系统健康状态预测模型。并按照流程进行了实例分析与验证,结果表明该模型对海水冷却系统的健康状态预测准确、有效。