汽轮机转子是机械设备中重要零部件，在实际运行中，转子通过高频振动传感器来进行状态信息的监测。由于转子在高温、高压、疲劳等复杂工况下运行，其故障特征往往会被强背景噪声所淹没，影响诊断结果。因此，在复杂环境下实现精准、快速的故障识别对汽轮机转子故障诊断具有十分重要的意义。为了提高汽轮机转子故障诊断的识别准确率和效率，提出了基于改进MEEMD-RVM的汽轮机组故障诊断方法。　　本文的主要研究内容主要集中在以下几个方面：转子模拟故障信号采集、转子故障信号数据预处理方法的研究、转子故障信号特征提取方法的研究、转子故障模式识别方法的研究。　　转子模拟故障信号采集：采用ZT-3转子试验台模拟汽轮机转子故障试验，采集转子处于不平衡、不对中、碰磨及正常状态下的振动信号。　　转子振动信号的数据预处理方法的研究：对采集的振动信号进行数据预处理。本文将C-C算法、相空间重构及奇异值去噪相结合，提出一种新的数据去噪处理方法。首先对振动信号进行归一化处理；然后对得到的时间序列进行相空间重构，利用C-C算法来确定相空间的嵌入维数和时间延迟；再用奇异值算法对得到的相空间进行去噪处理；最后将去噪后的相空间反重构为时间序列。通过信噪比说明了该方法的去噪效果。　　转子振动信号的特征提取方法的研究：转子故障振动信号特征一般表现为非线性及非平稳性的多分量信号，因此如何提取高质量的样本集成为一大难点。针对改进的集合经验模态分解算法存在的端点效应问题，提出一种改进的相似极值延拓算法、自适应白噪声完全的集合经验模态分解与排列熵相结合的特征提取方法，利用改进相似值延拓对时间序列进行端点延拓，结合自适应白噪声完全的集合经验模态分解与排列熵进行振动信号分解。为了验证该方法的有效性，将其与自适应白噪声完全的集合经验模态分解算法与改进的集合经验模态分解算法进行对比，结果表明该方法能够有效的抑制端点效应，得到较理想的波形分量，提高了计算速度。　　转子故障模式识别方法的研究：相关向量机算法具有良好的稀疏性和泛化能力，对小样本具有很好的分类效果。但是由于其核函数学习过程中易陷入局部最优，核参数的选取缺乏理论依据指导，对故障诊断识别结果和识别效率造成影响。基于此，本文提出一种改进的果蝇算法优化相关向量机的故障诊断方法。为了验证该方法的优越性，将其与果蝇优化的相关向量机分类器、网格寻优算法优化的支持向量机进行对比，结果证明，该方法的识别准确率更高、识别效率更快。