涡轮机热端部件健康监测技术一直是信号处理领域中的重要研究内容。其相应技术主要是沿着两个方向不断发展进步的，一是特征提取方法的研究;二是模式识别算法的研究即监测模型的设计。特征提取方法研究的主要任务是研究和选取能表现信号特征的，有效而且稳定可靠的特征矢量;而监测模型设计的主要任务是研究各种监测模型的结构和算法，从而对训练和监测中提取的特征向量做预测匹配，以完成准确的监测目的。　　由于涡轮机的叶片长期工作在高温高压的恶劣环境下，且其寿命直接影响燃气轮机的寿命使用期限，已受到广泛的关注，而叶片温度作为评估叶片质量的重要指标也越来越受到重视，所以将健康监测理论的研究用于对燃气轮机叶片温度的监测。针对涡轮叶片信号波形的特点，将重点放在涡轮叶片特征提取方法及监测模型的设计。　　针对涡轮叶片波形的特点，本课题研究了三种不同的特征提取的方法来提取涡轮叶片温度信号的特征信息。在时域方面，通过合成余弦函数来匹配涡轮叶片温度信号，可以得到温度信号的幅值域，从而计算其无量纲指标。在时频域方面，一方面基于小波分析理论在非平稳信号分析和处理中的优势，利用小波分析理论中多分辨分析的概念和小波包分解研究了信号不同频段内能量特征的提取算法，给出了特征向量的构造方法。另一方面由于希尔伯特-黄变换(HHT)方法自身独特的特点及其在信号处理各个领域的广泛应用，提出了基于小波分析和HHT变换的特征提取方法。通过采取以上的措施，提高了HHT方法处理涡轮叶片信号的精度，验证了HHT方法在健康监测特征提取方面具有更高的分辨率和准确性。　　为了提高监测模型的性能，本课题设计并实现了基于平均影响值(MIV)算法、遗传算法和自适应变异的粒子群算法的混合算法Elman网络涡轮叶片温度信号监测模型。实现对输入自变量的筛选、降维和对Elman网络的初始权值进行优化，有效提高了神经网络的泛化能力，提高预测的精度，达到了专家级评分的水平。本文研究成果可望应用于涡轮机健康监测领域，包括涡轮叶片信号的分析，特征提取、监测预测及其它相关的应用领域。