轴承作为风机传动系统必不可少的零件,若不能实时依据轴承运行状态评估出故障情况并做出合理的检修计划,将会使风机因故障被迫停运或者造成灾难性的后果,这会对整个风电场造成经济损失、资源浪费等不利影响,因此对风机轴承故障诊断这一课题进行研究可以为相关工作人员拟制故障检修报告提供参考,进而有计划的对风机轴承进行定时检修,这会在一定程度上给风电场带来可观的经济效益。首先,在当前信息化时代,信息范围越广泛,能获取到有用信息的概率也就越大,故提取包含时域、频域和时频域三个方面的特征信息构造混合域特征矩阵,其中时域、频域特征指标获取比较简单、直观,而对信号进行时频域特征提取时,针对故障信号非平稳、非线性的特点,提出用改进的经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）和希尔伯特变换（Hilbert Transform,HT）相结合获取故障指标。其次,获取到混合域特征指标集后,因这些指标中有可能存在与故障识别时不相关的信息或不同指标之间存在冗余影响到故障识别的精度和识别效率,就需要对混合域指标集择优筛选。遗传算法（Genetic algorithm,GA）作为一种封装式的特征选择方法会有一个后续学习算法评价每次筛选的特征子集的优劣,即把特征选择与故障分类结合到了一起,可更精准的获取到表征故障情况的故障特征指标,本文选择了Elman神经网络（Elman Neural Network,ENN）作为辅助完成特征选择的一个后续学习算法,为此构建了以GA为主,ENN为辅进行混合域特征选择的模型。再次,获取到表征故障信息的最优特征子集后,把筛选到的特征指标输入到ENN就可以在输出端得到故障分类结果,但学习规则默认是最速下降法,这样很容易陷入局部最优,使得参数获取不准确影响到分类结果,为此用优化方法GA对ENN的权值和阈值参数进行寻优,构建了以ENN为主,GA为辅的故障分类模型。最后,通过加速度传感器采集到的轴承各种运行情况下的数据对本文所提出方法进行仿真验证,发现构建完混合域指标集后,把GA和ENN相结合进行特征选择与参数优化方法只需迭代6步就可准确识别出轴承故障,与直接对混合域特征指标集用ENN进行故障分类相比,准确率提高了15%。