风能作为一种可再生的清洁能源,近年来得到各国大力地开发。随着风电技术的发展,风机容量增加的同时也使得其结构复杂性大幅增长,最终导致风力发电机组故障频发的问题。由于风力发电机组的运维费用昂贵,因此对风力发电机组进行故障诊断具有极高的研究价值。不同于解析模型方法,数据驱动的故障诊断方法不依赖于建立准确的物理模型,通过分析大量采集到的反映机械运行状态的数据即可出色地完成故障诊断任务。作为开启大数据时代的钥匙,深度学习（deep learning,DL）方法在过去十几年中受到了学术界和工业界的广泛关注。在各种DL方法中,多层感知机（multilayer perceptron,MLP）、自编码器（autoencoder,AE）及循环神经网络（recurrent neuron network,RNN）等方法已经在实际工程项目中得到了广泛应用。然而,当面对地形复杂、天气多变的风电场环境时,传统的AE方法已经难以对大型的风力发电机组进行精确建模,因此时时出现误报、漏报及故障诊断错误等问题。为此,本文针对风力发电机组数据集存在的非线性、类不平衡、高维度及时序性等问题,围绕AE方法展开,结合生成对抗网络（generative adversarial network,GAN）和长短时记忆网络（long short-term memory network,LSTM）等方法,针对齿轮箱和叶片等故障率高的风机部件,以及浮式风力发电机组提出了三种故障监测及诊断模型。具体工作内容包括以下几个部分:1.介绍了机械故障诊断领域的研究背景、目的与意义。本文对基于深度学习的风力发电机组故障诊断国内外研究现状进行了回顾,并介绍了现有的相关研究方法。2.针对风力发电机组齿轮箱故障样本少的问题,本文提出了一种结合AE和GAN的异常监测方法,即GANomaly方法。考虑到在风电场监测到风电齿轮箱故障时,工作人员会及时停机从而导致故障样本缺乏的问题。该模型基于健康样本进行离线训练,当在线监测识别到故障样本时,模型会输出高于阈值的分值。风电齿轮箱振动信号数据集证明了所提方法相比于其他深度学习方法拥有更加优越的故障监测性能。3.由于采集振动信号需要对风力发电机组加装额外的传感器,从而给风电场带来巨大的成本。因此,本文基于监控与数据采集系统（supervisory control and data acquisition,SCADA）数据对叶片断裂故障进行监测。此外,针对风机SCADA数据存在的时序性、非线性和高维度等特点,本章提出了一种改进的长短时记忆网络自编码器（mogrifier long short-term memory autoencoder,MLSTM-AE）模型用以监测断裂故障。通过某风电公司提供的真实风电场SCADA数据进行验证,所提出的MLSTM-AE方法相比于其他方法可以更早的识别到叶片断裂故障,且结果具有更高的准确率和更低的误报率。4.由于陆上风电存在占地、扰民以及发电不稳定等问题,因此海上风电正逐渐成为风电领域的热门研究方向。但是因其工作环境恶劣,海上风电的故障诊断研究对提高其运行效率,可靠性和经济性都有很重要的意义。针对浮式海上风力发电机组（floating offshore wind turbine,FOWT）数据集存在非线性、多噪声等问题,本文提出了一种结合滑窗堆叠去噪自编码器（sliding window stack denoising autoencoder,SWSDAE）和MLP的故障诊断方法,即SWSDAE-MLP。所提方法在丹麦技术大学和斯图加特风能研究所共同开发的10MW三梁浮式平台三叶变速风机仿真模型上进行测试。实验结果表明,与其他方法相比,所提出的SWSDAE-MLP模型具有最好的故障诊断性能。5.对过去的相关研究进行了系统而又全面的总结。随后,针对当前工作中存在的不足和有待完善的方面,分析了进一步完善的可行性,并展望了该研究领域未来的研究趋势与方向。