水轮机的水力稳定性问题是决定机组安全运行的最主要因素，针对水轮机的振动故障所做的一系列智能诊断和研究，对改善水轮发电机组的安全性和可靠性，提高水轮发电机组故障诊断水平具有十分重要的意义。本文以混流式水轮机尾水管涡带振动信号为研究对象，借鉴现代信号处理领域的最新研究成果，对水轮机尾水管涡带振动信号特征提取和状态识别方法进行了系统的研究。主要工作和研究成果集中在以下几个方面:　　首先，本文将Hilbert-Huang变换和FFT作了有机结合，充分发挥EMD窄带平稳的特性将水轮机涡带非平稳信号稳定化，然后再利用FFT快速分析稳定信号的能力来完成非平稳信号的分析，解决了以往非稳定信号对FFT的束缚。　　接下来，针对水轮机涡带信号的非线性特性，提出了基于EMD和小波变换的奇异数据剔除还原法，小波在奇异点的分析上有其良好的性能，但水轮机涡带信号的非线性严重影响了它的分析效果，本文利用EMD非线性信号线性化的功能解决了这一问题。　　第三是采用基于经验模态分解方法，融合指标能量理论，选择适当的不同特征时间尺度下的指标能量建立特征熵，作为尾水管压力脉动信号故障特征向量。利用多尺度特征熵值的变化反映出尾水管内涡带脉动情况。该方法不仅能识别涡带是否发生，而且能较好地识别涡带的严重程度。在额定负荷84％，熵值0.38356;额定负荷35％，熵值0.73352;额定负荷54％，熵值0.92459。可以根据特征熵值的变化规律建立和涡带的对应关系，以此对系统的状态进行定量描述，实现对水轮机尾水管涡带状况的识别。　　在上述工作的基础上，针对Hilbert-Huang变换标准EMD算法中存在的模态混叠、信息冗余和端点效应等不足，分别给出了相应的解决方案。对于EMD中模态混叠的问题，引入了小波预处理的解决方法，小波预处理能够去除振动信号中的背景噪声成分，提高EMD分解的精度，既能保证瞬时频率计算值的准确性，又能降低插值计算对EMD分解的影响;过高的采样频率会增大采集的数据量，使信息产生冗余，后续的分析处理计算量加大，本文采用了一种基于降采样和HHT变换的新方法，使运算效率提高了75.02％;端点效应限制了希尔伯特变换的应用，本文提出了用能量波动法构建波动阈值来跟踪、识别、重构虚假分量，其正交性指标IO为0.0148，而改进前，正交性指标为0.0195，提高了24.1％，较好的抑制了希尔伯特变换的端点效应弥补了其理论上的不足，使水轮机尾水管涡带振动信号的分析得到了进一步完善。　　最后，本文开发了基于Hilbert-Huang变换的信号监测系统，将前面的研究成果以软件的形式在实践中实现，使信号监测超越了只有FFT或小波的系统，在非平稳、非线性信号处理上具有了更强大的能力。