Die Betriebsschwingungen von rotierenden Maschinen werden im Rahmen eines Sicherheitskonzepts permanent gemessen und überwacht, um Schäden durch zu hohe Schwingungsamplituden zu vermeiden. Diese Schwingungsdaten lassen sich nutzen, um daraus Informationen zum Zustand der Maschine zu gewinnen und diese Informationen beispielsweise bei der Planung akuter oder künftiger Wartungen und Reparaturen zu berücksichtigen. In dieser Arbeit wird hierfür ein neuartiges Verfahren zur Diagnose rotordynamischer Fehler an Wasserkraftmaschinen entwickelt. Das Verfahren nutzt eine Datenbasis simulierter Maschinenschwingungen einer großen Zahl fiktiver Anlagen. Diese dienen als Trainingsbeispiele für einen Algorithmus des maschinellen Lernens. Nach dem Trainingsprozess schätzt das Diagnosemodell auch für bisher unbekannte Anlagen bestimmte Fehlergrößen mit vielversprechender Genauigkeit ab. Der Fokus liegt dabei auf der Diagnose von Unwucht, Kupplungsversatz, Lagerfehlausrichtung und anderen mechanischen Maschinenfehlern. Es wird gezeigt, dass die Schwingungsdiagnose durch die gezielte Verwendung von aussagekräftigen Kenngrößen verbessert werden kann. Als besonders hilfreich erweisen sich dabei Kenngrößen im Zeit- und Frequenzbereich sowie Kenngrößen der Betriebsschwingungsform. Die Anwendbarkeit der entwickelten Diagnosemodelle auf reale Anlagen wird am Beispiel einer Pumpturbine sowie mehreren Francis-Turbinen demonstriert. Die entwickelten Diagnosemodelle stellen eine solide Basis für ein Diagnosesystem dar, das Anlagenbetreiber und Schwingungsexperten bei der Analyse des Maschinenzustandes mit wertvollen Hinweisen unterstützt.