作为风机传动系统中的重要组成部分,风机齿轮箱的运行环境极端、运行工况较为多变,使得其容易出现故障,进而引发风机停工停产,造成巨大的经济损失甚至人员伤亡。因此,开展针对风机齿轮箱的智能运维技术研究显得至关重要。现有的风力发电机组均配备有数据采集与监测系统（Supervisory Control and Data Acquisition,SCADA）对现场风机的运行状态进行监视和控制,以实现数据采集及异常报警等功能。为了进一步以减少事故的发生和促进维修工作的有序进行,中大型机组还安装了状态监测系统（Condition Monitoring System,CMS）采集振动信号来监测风机传动系统运行状态。然而,随着近年来风机行业的快速发展,传统的基于信号处理和机器学习的风机齿轮箱状态监测与故障诊断方法已经难以应对规模呈现井喷式增长的风机齿轮箱监测数据。因此,本文以风机齿轮箱为对象,以深度学习为技术手段,分别开展基于SCADA数据的风机齿轮箱状态监测方法研究和基于CMS数据的风机齿轮箱故障诊断方法研究。本文主要研究如下:（1）首先,阐明了风机齿轮箱的具体结构、常见故障类型、SCADA监测系统与CMS监测系统;然后,详细介绍了深度学习相关理论;最后,介绍了风机齿轮箱状态监测以及故障诊断的一般流程。（2）针对风机齿轮箱状态监测未对SCADA数据中存在的空间、时间多维度信息进行充分利用的问题,提出了基于自注意力机制改进时间卷积网络的风机齿轮箱状态监测方法。该状态监测方法首先采用皮尔森相关系数法筛选与齿轮箱运行状态相关的SCADA监测量,减少无关变量的影响,并开展数据预处理对SCADA监测数据进行清洗及修复;然后,通过引入自注意力机制提取SCADA各监测量之间的空间依赖性,采用时间卷积网络挖掘SCADA监测量的时间依赖性,从而有效地提取了风机齿轮箱运行状态演化特征,实现了基于SCADA监测数据的风机齿轮箱状态监测。最后,通过基于陕西某风场某型号风机的SCADA监测数据开展对比实验验证了所提出的风机齿轮箱状态监测方法的有效性。（3）针对风机齿轮箱CMS振动数据的不同类别间差异性较小和存在难分样本的问题,提出了一种基于自适应度量-频带注意力CNN的风机齿轮箱故障诊断方法。该故障诊断方法首先通过小波包变换将原始时域振动信号转换为二维的时频矩阵,提取故障信号的时频信息;然后,提出了频带通道注意力模块,基于通道的频带信息对各通道进行动态加权来更好地融合通道特征,并提出了自适应度量学习模块提升了各故障类别的可分性,提升了最终风机齿轮箱的故障诊断精度。最后,通过DDS试验台数据和新疆某风场某型号风机的CMS监测数据开展了对比实验验证本文所提风机齿轮箱故障诊断方法的有效性。