轴承作为风电机组关键零部件之一,由于长期工作在恶劣的环境下,导致该部件故障频发,影响工作效益的同时对设备厂商也造成经济上的损失,严重故障的机毁情况对工作人员也造成一定的威胁。因此,针对风电机组轴承故障问题及设备智能诊断技术的探索一直是学术界的研究热点。本文基于希尔伯特振动分解（Hilbert vibration decomposition,HVD）算法提出三种风电机组轴承故障智能诊断模型,并通过多组实验数据及实际风场实例验证本文提出算法的有效性。首先,针对风电机组轴承振动信号非线性、非稳定性的特性,研究了HVD算法在风电机组轴承振动信号分析领域的应用现状与前景,深入分析该算法在故障信号处理上的特点及优势,一方面结合小波包能量熵降维特征提取的优势,克服了小波变换对于高频段的频率分辨率较差的缺陷,一定程度上降低了算法的复杂度,另一方面将预处理数据应用于深度学习模型,明显提高了特征提取有效性和故障分类准确率。其次,针对风电机组轴承振动信号特征难以提取的问题,提出一种基于降噪编码器深度特征学习和HVD的风电机组轴承智能诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以提取分量的小波包能量熵（Wavelet packet energy entropy,WPEE）作为特征向量,实现数据预处理。构建层叠降噪编码器（Stacked denoising autoencoder,SDAE）模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,结果表明,提出的算法HWSDAE能高效地识别故障信号,具有突出的故障诊断性能。然后,针对现有HVD算法存在参数需要经验设置或人工试定和如何避免模态混叠选择敏感的本征模态函数（Intrinsic mode function,IMF）分量的问题,本文提出一种改进HVD信号特征提取方法。其中,提出了一种新的指标—最大包络峰度（Max envelope kurtosis,MEK）,既可以作为粒子群优化算法（Particle swarm optimization,PSO）优化算法的目标函数,又可以通过该指标自适应选择敏感的IMF分量。其次对选定的重构信号进行平方包络谱分析并提取故障特征频率,以识别风电机组轴承故障类型,最后通过实例数据验证了所提方法的有效性和准确性。最后,提出基于自适应HVD和深度置信网络的风电机组轴承智能诊断算法研究,在改进自适应HVD算法的基础上,结合深度学习模型,对轴承故障数据进行分类识别。论文采用深度置信网络（Deep belief network,DBN）模型对预处理过的轴承故障信号进行特征提取和分类,并进行网络隐藏层特征可视化分析,与另外两种算法进行实验对比,结果表明,所提算法显著提高了故障分类准确性。