如今，我国风电机组装机总容量以及风电机组运行时间持续增长，准确评估风电机组运行状态的重要性不言而喻。传统意义上的设备运行状态被分为正常和故障，但对于风电机组特殊群体，存在一种不符合正常标准且未达到故障报警的异常状态。本文针对此类风电机组运行状态异常检测方法进行以下研究：　　风电机组运行工况复杂多变，单一的异常检测模型不足以准确评价风电机组运行状态；风电机组工况由风速和输出功率等多重因素决定，人工的分类方法不足以满足精度上的要求。本文针对以上问题提出用无监督的自组织映射聚类方法对风电机组运行数据聚类，分析出风电机组运行工况类，在此基础上进行建模并评估风电机组运行状态。聚类后的工况类样本数据呈现出小样本、多维度等特点，采用针对该类数据类型具有良好学习效果的支持向量机回归方法对每一类工况类样本建立风电机组健康运行状态模型，并利用模型检测异常数据。目前针对如何从异常检测数据定义出风电机组异常运行状态的研究，脱离了风电机组历史运行数据，忽略了设备长时间运行对参数变化造成的影响。本文针对这一不足提出单一变量与综合状态的滑动窗口统计分析方法，将门限值设定与风电机组当下健康的运行状态结合起来，更适合于风电机组实时监测。　　通过仿真和实例验证了算法模型有效性并成功应用于风电机组运行状态异常检测系统；最后将算法模型与非线性状态估计方法等方法进行比较，证明了自组织映射与支持向量机回归结合的异常检测方法更适合于风电机组运行状态异常检测。