随着我国能源结构改革持续深化,发展安全高效的可再生能源、实现能源清洁化正成为我国能源发展的核心内容。但目前我国电力系统调节灵活性较为薄弱,以致系统难以全面满足新形势下的要求,对风电、光伏等非稳定性能源消纳能力不足,需要从电源端改善调节能力,水电能源作为具有灵活调节能力的清洁能源,将会更多地承担调峰调频任务。作为水电能源的关键设备,水电机组随着向巨型化、复杂化、自动化不断发展,由尾水管低频涡带引发的安全稳定性问题日渐突出。尾水管压力脉动信号中蕴含着重要的涡带状态信息,但随着机组工况变化频繁其信号成分愈加复杂,表现出强烈的非线性与非平稳性特征,为信号特征与涡带状态之间的映射关系研究增加了难度。现有尾水管涡带识别方法中复杂的人工特征设计过程受限于研究人员的专业知识及目标任务,需要花费大量时间人力成本且仅适用于指定任务,已难以适应当前水电机组运行分析需求,因此亟需对现有尾水管涡带识别方法进行改进。本文从尾水管压力脉动信号时频图像分析和智能图像识别技术两个方向开展研究。首先从低频压力脉动信号产生机理入手分析了其频率、幅值特性,通过非平稳信号仿真验证时频图像的特征表征能力,并对比不同时频分析方法所提取的时频图像特征描述性能。其次为了借助深度学习算法的自学习能力以简化人工特征构建过程,本文引入了卷积神经网络模型,基于对其网络结构及训练优化过程的理论分析,阐述了其鲁棒性强、网络训练过程高效、能有效抑制过拟合等特点及其在图像识别任务中的优越性。在前述工作的基础上,结合压力脉动信号特征图像提取方法与卷积神经网络算法,提出了基于时频图像和卷积神经网络的尾水管涡带状态识别方法,并建立用于识别尾水管涡带状态的卷积神经网络模型。通过真机试验数据验证了本文提出方法的有效性和工程指导意义,采用可视化方法研究了尾水管压力脉动时频图像在卷积神经网络中的特征提取过程及其自学习特征物理意义。通过三种时频图像识别率对比分析,得出具有更高低频局部分辨能力的小波系数云图更适于作为本文提出方法的模型输入图像,其识别率可达到94.63%。最后,对全文研究成果进行总结,并针对文中工作不足之处指出了本文提出方法的下一步发展方向。