全球能源危机和环境污染问题日趋严重,开发可持续且绿色环保的风力发电具有重要意义,风机多坐落于风能资源丰富的山区和沿海城市,叶片是风能向电能转化的重要媒介,叶片状态是否健康关系着风机的运行,受云层分布及气候寒冷等问题影响,风机叶片频发结冰,不仅造成发电量下降、并网不稳定等问题,且从旋转的叶片上脱落的冰块会损毁周围设备,对工作人员产生严重伤害,长期覆盖积冰的叶片会面临折断的风险,给风电场带来巨大的经济损失。SCADA（Supervisory Control And Data Acquisition）系统在风场应用广泛,本文基于其导出的历史数据分析风机运行过程中各变量与叶片发生结冰的内在规律,首先进行了数据分析及预处理工作,其次采用卡方检验的方法筛选出与结冰关联强的特征,然后根据风机运行特性和经验公式分析利用原始变量构建具有实际意义的新特征,最后考虑到叶片结冰的时间相关性特点,针对所提三方面问题,围绕长短时记忆自编码器、双向长短时记忆网络和时序卷积网络分别构建了混合模型,研究内容主要包括:（1）针对浅层模型面对大量不平衡风机运行数据的局限性和传统特征提取方法忽视叶片结冰时序信息的问题,采用长短时记忆自编码器进行特征自适应学习,结合孪生支持向量机构建混合诊断模型,基于花朵授粉算法对影响孪生支持向量机分类性能的参数寻优,在15号风机测试集上进行了对比试验并对模型性能进行评估,验证了模型的有效性。（2）为提取更为全面的叶片结冰过程时序信息,采用双向长短时记忆网络构建叶片结冰诊断模型,在训练中结合孪生结构提升模型对结冰样本的分辨性能,采用深度代价敏感来降低模型受不平衡性的影响,在15号风机测试集上进行了对比试验并对模型性能进行评估,验证了模型的有效性。（3）针对单风机训练模型在不同风机上泛化能力差和实际诊断任务中风机运行数据无叶片状态标注的问题,基于域适应思想构建叶片结冰诊断模型,采用时序卷积网络从不同编号风机原始数据中进行特征提取,基于对抗学习的域适应方式提升特征的泛化性和可迁移性,以15号风机和21号风机运行数据分别作为源域和目标域,在21号风机测试集上进行了对比试验并对模型性能进行评估,验证了模型的有效性。