随着现代经济的发展,风能作为新能源、清洁能源的一个代表,最近的十年在飞速的发展,同时在国内外风电场的事故时有发生。风力发电机组本身的轴承磨损、齿轮断裂、叶片损坏飞落等常见的故障都会在一定程度上导致风力发电机组的毁坏而造成安全事故的发生。鉴于这些问题,风力发电机的安全运行和故障诊断已经逐步成为风力发电行业的一个研究重点。在实际故障诊断中由于大型设备结构的复杂性、运行条件的多样性以及运行环境的不同,会引入大量的不确定性,如：基于不同的特征诊断的结果有时会有冲突；基于不同位置的传感器获取的诊断的结果有时会有冲突。这些都会导致诊断的准确性与合理性下降,难以满足日益复杂的大型设备的故障诊断的需求。本文是在这样的背景之下,对信息融合技术的算法进行研究并应用到风力发电机组的故障诊断中。本文的主要研究成果如下：(1)对信息融合算法中的D_S证据理论算法的相关内容做了详细的研究,包括算法中的各个基本概念(如：基本概率赋值函数、信任函数、似真函数和众信度函数等)、算法的组合规则、算法的优缺点、各种基于算法的改进方法以及它们之间的比较等,从而对D S证据理论有了全面深入的了解。(2)针对传统的D_S证据理论算法在证据有证据高冲突的情况下难以准确获取诊断结果的问题,提出了基于修改证据源的改进方法。主要是对冲突强度概念和证据均值距离概念的引入,单独的使用冲突强度或证据均值距离的概念均不能有效地表征证据之间冲突的程度。本文采用这两者的乘积的几何均值来表征证据间的冲突,进而利用几何均值的倒数来赋予各个冲突证据不同的权重,最后再利用D S证据的组合规则进行融合,通过算例验证了方法的合理性和有效性。(3)针对证据理论算法中证据的基本概率赋值函数难以获取的问题,本文采用了基于随机集的粗糙集-神经网络系统的方法对基本概率赋值进行获取。主要是先采用随机集表示下的粗糙集属性约简对条件属性进行约简,降低神经网络的输入维数,再利用BP神经网络训练,并将它的输出归一化得到各证据的概率赋值。本文利用该方法获取各证据的概率赋值后采用改进的算法对风力发电机组的齿轮箱的故障进行诊断应用,最后得到了合理的诊断结果,并与其他三种方法比较分析,验证此改进方法的有效性,对实际的应用具有一定的实用价值。