风电传动系统是实现风能向电能转换的关键动力部件在风力发电系统中有着举足轻重的地位,风电传动系统的好坏直接影响发电的效率与质量和电网安全,而风电机组传动系统（轴承,齿轮箱）由于其工作环境的多变（风速、温度、湿度等变化）使其容易产生各种故障,因此寻求一种稳定且可靠的故障诊断方法来保障其能够安全运行显得尤为重要。随着大数据时代的到来以及深度学习技术的蓬勃发展,基于深度学习的故障诊断技术受到了研究者的广泛关注。本文针对风电传动系统在变工况下的故障诊断问题展开研究,主要内容如下:1、针对风电传动系统运行过程中负载以及环境因素变化所造成训练数据集与目标测试数据的分布差异从而致使模型泛化性减弱的问题,建立了基于最优输运的多层适配网络,利用堆栈自编码提取出数据中的抽象信息同时基于最优输运理论计算出源域（训练集）与目标域（测试集）之间的分布差异,然后减少对应的源域特征与目标域特征之间的差异从而有效的解决了源域特征与目标域特征不服从相同分布而导致诊断算法性能下降的问题。实验表明所提的方法能够有效提升诊断算法在不同工况下的诊断性能。2、针对现有基于域自适应的故障诊断方法的两个主要缺点:1)很难精确地测量和估计源域和目标域之间的差异;2)仅考虑特征空间中的差异,而不考虑标签空间中的差异。建立一种基于最优运输的深度域适应框架。通过自编码器网络从原始数据中提取鉴别性特征,然后基于预先定义的代价矩阵搜索源域和目标域之间输运规划（transport plan）并通过最小化基于最优运输理论得出的特征和标签空间的联合分布差异来提取域不变表示特征,从而进一步提高了模型跨域的诊断性能通过实验分析验证了模型超参数的最佳选择,并在通过特征空间中直观地说明了所提出模型的迁移能力。实验结果表明,该方法在分类精度和泛化能力等方面均优于现有的机器学习和域自适应故障诊断方法。3、针对现有域适应故障诊断方法仅在闭集（closed set）的假设下有效,而在实际风电运行环境下开放集（open set）的情况更为常见,即在检测中将会出现未知故障的问题,提出了一种基于稀疏自编码器的对抗开放集域适应框架。通过构建稀疏自编码提取稀疏特征减少数据中的沉冗并利用特征生成器（稀疏自编码器）和标签预测器之间的对抗学习使已知目标特征与已知源特征对齐以补偿域偏移并将已知目标特征与未知目标特征分离。然后利用Softmax的标签预测器对目标样本进行分类,并精确识别未知目标样本。在真实轴承数据集上的实验结果证明了该方法的优越性并且能够大幅度提升对目标样本中的未知故障的识别能力。