近年来,风电行业蓬勃发展,风电装机容量大幅上升。风电叶片作为机组的核心构件,其疲劳性能和稳定性严重影响着机组的发电效率和安全。为保障机组的正常运行,众多学者关注于叶片的监测与检测技术,一旦发现叶片故障损伤,便于及时进行维修处理。叶片结构健康监测系统集传感、信号处理和系统集成于一体,实时感知、评估叶片当前状态。随着人工智能技术的不断发展,人们对于监测系统的数据分析利用率和挖掘度也有了更高的要求。全尺寸风电叶片的疲劳涉及叶片出厂前的疲劳试验和机组叶片服役过程。研究叶片疲劳损伤过程中的性能变化与状态预测对于确保机组的长期可靠运行具有重要意义。由于监测系统在长期运行中产生海量数据,一些基于监测数据的风电叶片预测技术应运而生。这些技术往往利用历史运行数据或正常运行数据,建立其运行模式下的基准模型,在评估新状态时,将其与之前状态进行比较,通过评估指标分析其偏差和趋势,从而实现对叶片性能及状态的预测。本文围绕全尺寸风电叶片的疲劳试验和服役过程,针对叶片结构的安全性,进行了基于监测数据的风电叶片状态预测技术研究。搭建了基于光纤光栅（Fiber Bragg Grating,FBG）传感器的风电叶片疲劳试验监测系统,通过实测叶片刚度数据,提出了一种可用于叶片疲劳试验的刚度退化模型;结合历史刚度数据,通过深度学习方法实现了叶片疲劳试验过程中的刚度预测;搭建了基于FBG传感器的风电叶片服役过程监测系统,通过实测应变历程来评估了叶片的当前状态和预测疲劳寿命;针对服役过程中的叶片结冰问题,建立了基于数据采集与监控（Supervisory Control and Data Acquisition,SCADA）数据的机器学习和深度迁移学习模型,实现了源机组和目标机组间的结冰预测。主要工作如下:为建立全尺寸风电叶片疲劳试验过程的刚度衰减模型,对叶片疲劳试验过程进行监测及刚度退化研究。将单点激振下的叶片进行简化并分析讨论;搭建了基于FBG传感器的风电叶片疲劳试验监测系统,与应变片测试结果对比,验证了FBG传感器的稳定性和耐久性;针对复合材料损伤发展的三个阶段,提出了一种基于刚度退化的两参数复合材料疲劳损伤模型,并与现有的刚度退化模型进行对比;将提出的模型应用到叶片疲劳试验中进行验证。为减少叶片疲劳试验的时间成本,鉴于全尺寸风电叶片疲劳试验结果,进行了基于深度学习网络模型的叶片刚度预测研究。将标定下的叶片刚度数据与复合材料刚度退化模型进行拟合,实现了叶片刚度样本量的扩充;将样本进行训练集和测试集划分,采用卷积神经网络（Convolutional Neural Networks,CNN）、长短期记忆（Long Short Term Memory,LSTM）网络、CNN-LSTM网络实现了叶片的刚度预测,并对各个模型网络的预测性能进行对比;对比了不同的输入序列长度和训练集对模型预测结果的影响;为了体现实际叶片疲劳试验过程中的一般性,将刚度数据添加了不同分贝的高斯白噪声后又进行了模型的刚度预测。为建立实时的风电机组叶片服役过程评价手段,对叶片实际服役过程进行监测及寿命预测研究。搭建了基于FBG传感器的风电叶片服役监测系统,实现了机组运行过程中的叶片载荷监测;通过希尔伯特黄氏变换等分析手段,实现了对测点非平稳应变信号的解析;针对风电叶片高周期的应力疲劳问题,基于Goodman应力图和Palmgren-Miner线性损伤累积法则,对叶片进行疲劳损伤计算和寿命评估,实现了风电叶片的寿命预测。为提出基于风电机组SCADA数据的结冰检测方法,基于机器学习和深度迁移学习网络模型对叶片服役过程的结冰检测方法进行了研究。通过GH-Bladed仿真分析,得到了叶片结冰对叶片性能的影响;结合叶片结冰模型和气动模型,对原始SCADA数据进行预处理与特征选择、重构,降低了样本的特征维度;引入统计特征和准确度等评价指标,利用源机组数据和不同分类模型进行训练并对源机组和目标机组预测;针对目标机组预测效果差、模型泛化能力低的问题,通过源机组的预训练模型和少量目标数据样本,实现深度迁移学习,从而提高对该机组结冰检测模型的预测效果。