风能作为清洁、低碳的可再生能源,逐渐成为近些年使用最广泛、开发规模最大的可再生能源之一。但由于风电机组经常遭受不规律的多种复杂交变载荷的作用,加上安装位置一般较为偏远,导致其关键部件易发生故障且故障后维修困难。为了实时了解风力发电机的运行状态以便能提早展开预维修与制定运维策略,健康评估与故障诊断技术就显得尤为重要。首先介绍了风力发电机的基本结构,并对风力发电机的关键部件:齿轮箱和变桨系统的运行原理和结构功能进行重点说明,同时分析了其常见故障及造成的原因,为后文的健康评估和故障诊断奠定基础。列举出了数据采集与监控系统（Supervisory Control And Data Acquisition,SCADA）的采集数据并对其进行数据预处理。为了从采集的数据中挖掘出具有类别敏感性的有效征,防止数据维度过多对健康评估与故障诊断造成干扰,本文采用基于距离的特征选择方法,筛选数据的有效特征,实现对样本数据的降维。然后提出一种基于堆栈式自编码器（Stacked Auto Encoder,s-AE）与稀疏性限制、高斯降噪相结合的故障诊断方法。通过堆栈式自编码器神经网络的表征学习能力,学习各特征之间的隐藏关联,对风力发电机的故障进行分类。针对多层神经网络容易出现的梯度消散现象,采用批标准化算法对其进行抑制。以SCADA实际记录数据对风力发电机的齿轮箱和变桨系统的常见故障进行诊断验证,实验结果表明与支持向量机、堆栈自编码器和随机森林等分类模型相比较,本文所提故障诊断方法具有更高的诊断准确率和性能。最后提出一种通过改进自适应遗传算法（Improved Adaptive Genetic Algorithm,IAGA）来优化自联想神经网络（Auto-Associative Neural Network,AANN）的风力发电机健康评估方法。通过AANN获得风力发电机正常状态下运行数据经该方法后的残差分布,采用JS散度（Jensen-Shannon,JS）计算其与故障时刻残差分布的偏移度,判断变桨系统的健康状态情况以及是否故障。利用SCADA记录的历史数据对风力发电机的齿轮箱和变桨系统的健康状态进行实验验证。结果表明,本文的健康评估方法可以提早预测出风力发电机的潜在故障,准确把握关键部件的健康情况。