近年来,风力发电行业蓬勃发展,我国风电机组累计装机容量持续增加,已经位居世界首位。然而,风电机组长期运行在温差、大风、雷电等恶劣环境下,内部零件容易发生各种故障,影响机组正常运行。在各种机组故障之中,风电齿轮箱故障造成的停机时间最长,给风电场带来巨大的经济损失,因此对风电齿轮箱的实时监测和故障诊断具有十分重要的意义。本文以风电齿轮箱中的关键部件齿轮和轴承为研究对象,探索基于数据驱动的故障诊断策略,本文主要研究内容如下:针对从风电齿轮箱振动信号提取的高维故障特征集中存在相关性和冗余性,影响后续故障诊断精度的问题,提出基于监督核熵成分分析的风电齿轮箱故障诊断方法。该方法在特征提取阶段,充分挖掘出蕴含在高维特征空间中的低维本质特征,减少冗余信息,且可以利用样本的类别标签,减小同类样本的距离,增加异类样本的距离,提升样本特征的可判别性。以东南大学齿轮箱数据集为例进行仿真实验,实验结果表明,该方法提取的特征具有高区分性,平均故障诊断精度达到98.3%,高于对比算法。针对风速不稳定引起风电齿轮箱运行工况多变,影响样本的数据分布,导致故障诊断算法的泛化性能变差的问题,本文提出基于加权域适应卷积神经网络的风电齿轮箱故障诊断方法。该方法在深度学习框架中嵌入迁移学习算法,提取源域（工况一数据集）和目标域（工况二数据集）的域不变特征,使基于源域的分类器在目标域上取得良好的泛化性能,同时引入权重系数对源域样本进行加权,以降低类权重偏差带来的影响。采用西储大学轴承数据集和东南大学齿轮箱数据集验证所提方法的多工况故障诊断性能,结果显示,该方法在两个数据集上的平均故障诊断精度分别达到95.4%和82.3%,高于对比算法。在前文研究的基础上,利用Python语言开发风电齿轮箱故障诊断平台。结合实际调研情况对故障诊断平台的需求进行分析,构建以前端采集模块、数据处理模块、数据库服务器、诊断分析软件为一体的总体架构,实现振动信号采集与分析、模型构建与故障诊断等功能。