随着水利工程的不断发展,机组、水流等与结构的耦合作用导致的水工结构振动问题已引起人们的重视,威胁了水工结构的安全运行。依据结构振动的历史数据来对不同位置结构振动状态以及未来振动趋势进行预测,使用更少的观测数据,以实现全面了解和控制水工结构振动情况已经成为水工安全领域一新的研究热点。本文采用不同种类的智能优化算法对SVM算法进行改进,构建优化的智能预测模型,以观测的实际振动数据为依据,利用模型处理非线性数据的能力,映射出预测结构的振动响应特征,从而实现对缺少监测数据的结构或监测部位的未来振动趋势进行预测的目的。本文所做的主要工作和得到的结论如下:1、研究了机器学习的相关理论,介绍了建立在统计学习理论基础上的SVM基本原理和SVM的优缺点,并且介绍了SVM目前的发展状况和在水工结构振动预测领域中的应用。2、结合工程实例中原型梯级泵站机组和管道运行的实测数据,运用PSO算法优化SVM的核函数关键参数及惩罚因子,建立了PSO-SVM振动预测模型,并建立BP神经网络振动预测模型予以对比,来预测不同位置的结构振动状况,并用不同指标对建立的PSO-SVM和BP神经网络模型结果进行评价。预测结果表明:本文建立的PSO-SVM预测模型对振动响应预测精度更高,预测效果更好,为输水管道的振动监测和安全健康诊断提供了基础帮助,具有一定的应用前景。3、结合三峡大坝泄流时坝体结构振动实测数据,运用变分模态分解方法与支持向量机结合,对原始实测信号进行预先处理,使其分离出能反映大坝真实振动响应信号,并建立VMD-SVR模型来预测结构振动状况。结果表明:针对坝体结构非平稳振动时间序列,VMD分解算法相比较传统的EMD分解算法处理效果更好;建立的VMD-SVR模型相比较单纯的SVR预测模型能够很大程度上避免因数据非平稳性所带来的干扰,该模型对分解得到的各模态函数分别进行了预测建模,然后对各预测结果进行了重构,一定程度上减少了实测振动数据非平稳性对预测结果的影响,而且预测精度更高,能够对水利工程中的结构振动情况的判断提供帮助,为工程的健康诊断提供一定基础。4、针对水工结构振动信号的特点,以SVM算法的不断改进发展为线索,研究SVM算法的自身特点及其在水工结构信号处理中的应用,研究结果验证了SVM算法可以很好地应用于水工结构振动预测领域中。