在全球生态环境恶化、化石能源日益短缺的背景下，风能受到极大关注，风电产业获得快速发展。相应确保风机持续高效运行的状态监测、故障诊断、维修等维护服务的重要性逐渐凸显。风机由于受所处恶劣的工作环境、风速的不确定性、交变负载等因素的影响，均使得风机传动系统机械部件易出现损坏，作为分布式电源，其维护成本极高。本文以风机传动系统中齿轮箱齿轮和轴承等关键机械部件为研究对象，针对其状态监测与故障诊断技术展开研究。本文首先研究了风机传动系统结构及齿轮、轴承常见故障机理和故障特征。并对常用的时域、频域、时频域等信号处理方法进行分析。针对传动系统关键机械部件的状态退化问题，提出了基于小波相关滤波-主元分析法的状态监测方法，通过计算主元PCA的T2和SPE统计量来监控机械部件健康状态。针对传统前馈神经网络学习算法无法处理随时间变化的信息流；以及原有学习机在固定训练样本容量下，统一输入参量比重，不能有效反映故障信息，训练速度有待进一步提高的问题，提出了改进的极限学习机(IELM)的快速故障诊断方法，通过构建分类诊断模型，实现风机传动系统关键机械部件故障诊断。本文设计并搭建了风机传动系统故障试验台，完成齿轮、轴承故障实验并验证了状态监控与故障诊断方法。用齿轮逐渐磨损至断齿的退化过程验证主元分析状态监测方法在监测部件健康退化时的有效性；用齿轮、轴承共7种故障数据进行故障模式识别，将IELM与BP、SVM、ELM、FSSELM在训练时间和测试精度等方面进行对比取得较好效果，验证了诊断模型的有效性。最后，基于所提出的监测与诊断方法，设计并开发了传动系统状态监测与故障诊断软件原型系统，以应用于工程实践。该系统包含数据采集、数据库存储、状态监测、故障诊断等模块，可实现对传动系统关键机械部件的状态监测与故障诊断，从而保证风机安全稳定运行，对提高运行可靠性具有重要意义。