叶片作为风力发电机组的核心部件之一，承载着将风能转化为叶轮旋转动能的重要作用。叶片运行状态的安全可靠性对整个风力发电机组的经济效益有着重要影响，其性能的好坏也直接影响着整机组的安全运行以及稳定性。因此，无论是从降低整机组的运行风险，还是减少运作成本的角度考虑，研究风力机叶片的状态检测方法，对于降低故障损失，保证整机组长时间安全运行都具有重要意义。　　 本文建立了1.5MW风力发电机组的有限元模型，并通过计算模型的质量和静强度，验证了模型的合理性。对模型进行了模态分析，得到了整机组的固有频率和振型，并从中提取叶片的固有频率和振型，找到叶片易损伤的位置。在叶片易损伤位置处模拟质量偏心和刚度损伤，求得正常状态和各故障状态下机舱响应点处的加速度功率谱。　　 对于模拟数据，以加速度功率谱中特征频率处幅值的变化率作为故障特征量，并建立这些故障特征量的三个改进BP神经网络模型，其中第一个神经网络模型用来判断故障类型，第二个神经网络模型用来判断质量偏心的位置和大小，第三个神经网络模型用来判断刚度损伤的位置和程度，并用这三个神经网络模型对模拟数据进行故障诊断。　　 对于实验数据，以每25帧数据的加速度功率谱中的特征频率处幅值的均值的变化率作为故障特征量，建立故障阈值向量。用上述建立的三个神经网络模型对实验数据进行故障诊断。　　 用LabVIEW和MATLAB混合编程的技术，编制了风力机叶片故障诊断程序。　　 研究结果表明，基于从机舱响应点加速度功率谱中提取故障特征量，并利用改进BP神经网络的方法，能够有效地识别出叶片故障类型、故障位置和故障程度，这为风力机叶片的在线监测提供依据。