煤液化技术是目前世界上煤炭高效清洁利用发展新方向,调节阀作为煤液化行业中至关重要的零部件,其性能已直接影响到我国煤液化工艺系统长期运行的稳定性和经济性。由于煤液化调节阀长期在高压差、气液冲刷严重的恶劣工况中运行,会出现空化造成调节阀工作效率下降,并诱发振动、压力脉冲和噪声等,严重影响其安全运行和使用寿命。因此,开展调节阀空化状态监测研究对保障调节阀健康运行具有重要意义。本文基于高速相机和振动检测技术开展了调节阀空化状态分类识别研究,通过对调节阀空化振动信号进行降噪和特征提取,结合支持向量机（SVM）方法实现调节阀空化状态的识别。本文主要开展了以下工作:（1）搭建了调节阀空化状态识别实验系统,获取不同空化状态下调节阀的振动信号与内部流场图像。提出基于背景减除、自适应中值滤波和伽马变换的空化图像增强处理方法,结果表明,原始图像经过处理后可有效增强对空化图像中气泡的分辨。根据处理后的空化图像将空化程度划分为无空化、初生空化、临界空化、严重空化四种状态,并据此确立相应振动信号的样本标签。（2）提出基于CEEMD-小波包联合的调节阀空化振动信号降噪处理方法。首先通过CEEMD对信号进行分解,根据所得本征模态函数与原始信号的相关性选择需要进行小波包降噪处理的模态分量。最后通过仿真和试验结果验证CEEMD-小波包联合降噪方法可高效地去除信号中噪声成分,保留信号有用信息。（3）提出三种调节阀空化振动信号特征提取方法,探究不同空化状态下调节阀空化振动信号特征的变化规律,其中时域分析中提取最大值、平均幅值、方根幅值等九种特征。频域分析中提取幅值平均值、幅值方差、幅值偏度指标等六种特征。时频域分析法基于CEEMD分解的希尔伯特变换进行特征提取。结果表明:在调节阀不同空化状态下,振动信号特征呈现出一定的规律性,采用KPCA得到的主元特征可以用于空化状态识别。（4）提出基于自适应遗传算法优化SVM的调节阀空化状态识别方法,通过引入交叉验证确立了其寻优过程中的适应度函数,优化后模型识别准确率达98.7%,混淆矩阵和误差直方图的分析结果表明改进SVM拥有更高的识别准确率,可将改进SVM应用到调节阀空化状态的识别中。基于MATLAB GUI设计了结合图像处理、数据处理及状态识别三个模块的空化状态识别系统,可实现对空化状态的准确识别。该论文有图49幅,表10个,参考文献113篇。