随着全球对可再生能源的不断发展,风能得到了广泛的利用,风力发电机的装机容量也不断增加,叶片作为捕捉风能的重要部件,其尺寸逐年增大,这使得叶片在运输、维修和检测的成本大大增加。叶片在运行过程中受交变荷载的激励下容易产生振动,致使产生甩出、断裂、损伤等的事故,严重的甚至造成塔筒倒塌的现象,因此对风力机叶片的振动监测变得尤为重要。振动监测主要可以得到结构振动响应的位移、频率等信息,这为风力机叶片的动态特性研究以及叶片结构的合理设计提供了依据,同时也为叶片损伤检测打下了坚实的基础。传统的振动检测主要采用接触式传感器的方式,面对大型风力机叶片需要对其表面进行粘贴传感器,同时需要考虑传感器布线问题,可见传统的检测方式非常不利。鉴于计算机视觉技术具备着非接触、高精度以及便利性的优势,本文采用计算机视觉技术对风力机叶片振动测量方法进行研究。本文首先采用传统目标检测算法对风力机叶片振动进行测量,通过试验对两种检测算法的精度进行了验证,得出传统目标检测算法的优劣性。面对传统目标检测算法的劣势,开发了一种基于YOLOv5深度学习算法的风力机叶片振动测量系统,并且通过试验在不同环境下的测量效果,验证其算法的准确性以及鲁棒性,从而得到一种检测速度快、精度高的视觉检测技术。基于计算机视觉技术得到的风力机叶片的振动位移、频率可为大型风力机叶片损伤提供依据。本文的主要研究内容包括以下几个方面:（1）采用两种传统目标检测算法对风力机叶片的振动位移进行提取,研究了两种算法在不同拍摄条件下位移识别精度,同时验证其检测的振动频率的精度,并且采用激光位移传感器对两种算法的时域和频域进行对比分析;（2）开发了一种基于YOLOv5深度学习算法的叶片振动测量系统,通过改进YOLOv5内部结构使其提升整体的检测精度以及检测速度,同时结合Deep SORT算法将叶片结构不同目标部位进行相应的ID编码,增强跟踪的鲁棒性,通过对比YOLOv5中YOLOv5s、YOLOv5m以及YOLOv5l,验证改进后的深度学习算法的优势;（3）通过搭建视觉识别系统对风力机叶片振动进行识别,考虑实际工程监测中视觉监测面临的影响因素,在不同识别环境中对风力机叶片振动进行位移提取,同时采用激光位移传感器以及加速度传感器分别对改进后的YOLOv5深度学习算法进行对比验证,旨在提出一种完全非接触式的风力机叶片检测系统,为叶片的损伤、破坏提供理论依据。