叶片是风力发电机的重要组成部分,也是最容易受到损伤的部分。雷电、沙尘、不规范装载等都会造成叶片的损伤,早期发现的细小裂纹可以在几小时内完成修复,若发现不及时很容易造成叶片断裂,产生严重后果。海上的风机设备相较于陆地使用寿命长,并节约运输成本,因此利用计算机视觉对海上风机叶片进行缺陷检测及分类,可以为维修工人提供清晰、准确的结果,避免经济上的损失。针对海上经常出现多雾天气,雾气干扰会降低图像质量,对后期风机叶片缺陷提取造成影响的问题,采用逆小波变换和小波变换代替原始U-Net的上下采样,并且使用多尺度卷积、残差网络块对网络结构进行修改,结果表明通过改进后的网络相比与其他对比算法恢复出的图像能够在完全去雾的基础上,保留更多细节信息,避免图像颜色失真的情况。针对传统无监督特征提取方法无法准确提取风机叶片缺陷特征的问题,采用基于卷积神经网络的弱监督语义分割方法,设计合理的网络结构,使用空间连续性、特征相似性以及涂鸦文件约束作为损失函数,分割出风机叶片部分,经过与其他无监督分割算法作对比分析,结果表明选取的弱监督语义分割方法能够更加精准的提取出缺陷部分。最后使用基于VGG16网络的迁移学习提取风机叶片缺陷特征数据。针对缺陷特征数据分类的问题,首先对提取出的风机叶片缺陷特征数据进行主成分分析白化处理,减少后续分类的计算复杂度。其次在粒子群优化算法的基础上对其速度、位置更新方程中的权重及学习因子进行改进,并与基于粒子群的其他优化算法进行对比分析,结果显示改进后的粒子群优化算法无论在多极值还是单极值函数上搜索最小值都有优秀的表现。最后选择改进后的粒子群算法和其他优化算法与K-means结合并对风机叶片缺陷特征数据进行聚类,结果表明改进后的粒子群优化算法与K-means结合有更好的鲁棒性以及聚类准确性。