叶片作为风力机捕获风能的核心部件,它的安全性和可靠性对机组的运行起着至关重要的作用。现有的检测技术还不能便捷且有效地检测出叶片早期故障,因此本文首先对基于声音事件检测的风力机叶片故障检测的可行性进行了研究,由于声音事件检测算法不能泛化使用不同设备录制的样本,本文又对录音设备不匹配下的风力机叶片故障检测进行了研究。针对现有风力机叶片故障检测方法还存在检测成本高、检测效率低、数据收集困难的问题,本文提出了两种基于声音事件检测的风力机叶片故障检测算法:Attention-CRNN和Normal-Encoder。Attention-CRNN算法在CRNN网络模型上加上了频域注意力模型,注意力模型会关注到音频特征中那些对检测结果影响大的部分,然后乘上相应的注意力权重再输入到CRNN网络。CRNN网络能够从输入数据的时间序列和空间位置中捕获有用的信息,从而有效地识别出样本中存在的故障信息。Normal-Encoder算法的提出是为了进一步解决缺少故障样本的问题,Normal-Encoder在对比原始谱图和重构谱图的基础上,额外地增加了一种通过对比原始谱图和重构谱图在高一层抽象空间中的差异来进行故障检测。在训练阶段能够有效地学习正常样本的特征分布,从而能够正确区别正常样本和故障样本。通过录制了大量的风力机叶片实时转动的音频数据并进行了相应的实验,证明了基于声音事件检测的风力机叶片故障检测的可行性以及有效性。针对现有声音事件检测算法不能泛化使用不同设备录制的样本,本文提出了一种基于生成对抗思想的对抗域自适应网络算法（Adversarial Domain Adaptation Networks,ADAN）。ADAN的结构分为两部分:预训练模型和对抗域自适应训练模型,预训练阶段让特征提取器能够有效地学习到类别分类特征,对抗域自适应训练阶段能够让特征提取器学习到具有域不变性质的特征,从而消除源域数据和目标域数据之间的域偏移,使得最终的分类器在两个域的数据集上都表现良好。通过仿真实验,验证了ADAN在录音设备不匹配下进行风力机叶片故障检测的有效性。