随着全球风电产业的快速发展,大量风电机组开始逐步走出质保期、故障频发,风电运维工作日益成为风电行业发展关注的焦点。然而,风电机组分布广泛、地处偏远,传统运维模式运维成本高、运维效率低,已难以满足当前风电产业运维需求。深度学习作为一种极具潜力的智能分析方法,能够有效挖掘海量数据中丰富的潜在信息,为风电机组智能运维提供了新的解决思路。然而,风电齿轮箱结构复杂,在强噪声干扰下,故障特征微弱且强耦合,严重影响深度学习故障诊断精度;此外,风电机组拆卸和安装成本极高,部分风场缺乏长期系统地收集故障样本数据,风电齿轮箱有标签故障数据样本稀缺,导致深度学习模型容易过拟合,泛化能力差。针对以上问题,本文结合风电齿轮箱故障特征微弱且强耦合、有标签故障样本少的特点和深度学习的优势,开展了基于深度学习的风电齿轮箱故障诊断方法研究。论文主要研究如下:（1）针对风电齿轮箱结构复杂、故障特征微弱且强耦合问题,提出一种强化胶囊网络的风电齿轮箱故障诊断方法。该方法首先将原始振动数据进行小波包变换,获取时频系数矩阵作为模型的输入;然后以向量计算的胶囊网络为主要框架,采用空洞卷积增大卷积核滤波器感受视野,同时引入重叠系数增强胶囊通道层间的关联信息,进一步增强模型的故障特征提取能力。（2）针对因部分风场有标签故障样本稀少,导致传统深度学习方法出现过拟合、故障诊断准确度不高的问题,提出一种深度平衡领域适应网络的风电齿轮箱故障诊断方法。该方法以传统卷积神经网络为主要框架,结合领域适应的思路,通过最小化源域和目标域数据在高维特征空间中的分布差异,使其在特征空间中近似独立同分布,从而学习其他风场大量数据的特征信息,应用到目标风场的风电机组故障诊断中。（3）结合本文所提的风电齿轮箱故障诊断方法,采用Py QT5设计并开发风电齿轮箱智能故障诊断模块,并通过实例应用对模块功能进行验证。文章最后对本文的工作进行了总结,并展望下一步的研究方向。