当前风电产业迅速发展,风电机组的状态监测与故障诊断对于降低维护成本、减少损失、提高系统可靠性等都具有重要意义。轴承是风电机组中故障最为频繁的部件之一,因此准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。传统的诊断方法往往需要依靠人工经验和专家知识进行故障特征提取,增加了故障诊断的复杂性和困难性,不利于实现风电机组的自动化故障检测和智能运维。因此,为了同时实现故障特征学习和故障分类,本文研究了基于卷积神经网络的轴承故障诊断方法。本文提出了一个基于振动信号检测、信号变换、卷积神经网络识别分类的轴承故障智能诊断流程,并设计了一个具有三个卷积-池化层对和两层全连接层的深度卷积神经网络模型。首先利用仿真数据验证了所提方法的有效性,然后利用凯斯西储大学公共轴承数据集,在相同的模型结构下研究了振动信号经过振动灰度图、短时傅里叶变换和连续小波变换这三种不同信号变换方式进行模型训练,对于模型故障诊断准确率的影响。同时还比较了基于深度卷积神经网络方法与基于时域统计特征和浅层机器学习方法在相同数据集上的诊断效果,证明了本文方法的优越性。此外还对对噪声干扰下的微弱故障诊断以及复合故障诊断进行了研究。针对低信噪比条件下的故障准确率下降问题提出了结合代价函数改进的模型优化和训练样本干扰的策略,提高了基于振动灰度图的方法在低信噪比条件下的故障信号识别准确率。对于复合故障诊断问题,提出了利用单故障样本构造伪复合故障样本并结合多标签分类策略,在只有单故障训练样本的条件下实现了模型对复合故障较好的诊断能力。