叶片作为风电机组中能量获取的主要部件,其健康状况直接影响着风电机组的运行效率与安全。目前关于风机叶片的故障检测技术虽已有一定的研究,但存在一些不足,并未得到广泛的应用,从而定期目视巡检广泛应用于大多数风电场中。本文提出一种基于深度学习的风机叶片状态检测与分析方法,重点研究利用深度学习对风机叶片的故障检测与分析,具体研究内容及成果如下:首先,基于卷积神经网络的基本结构特征,研究了网络性能的提升方式,包括欠拟合以及过拟合的解决、网络运行速度的优化等问题,给出一个较为详细的模型优化过程。其次,进行了基于卷积神经网络的风机叶片状态检测的研究。通过无人机获取风机叶片图像,构建了包含了25773张、六种不同的风机叶片状态的风机叶片图像的数据集。同时,搭建了三种优化后的卷积神经网络模型,并结合ADMM算法对模型进行适当的参数压缩。最终,在构建好的数据集,上进行训练通过比较F1-Score,选出VGG-11模型为最终检测模型,在测试集中的达到了79.3%的分类准确率,并通过ADMM算法压缩模型,实现了20%的压缩率。最后,为了实现风机叶片故障的准确定位,进行了基于改进YOLOv3的风机叶片故障检测的研究。在原有数据集的基础上,自行标注了一个风机叶片故障目标检测的数据集。同时,针对传统目标检测算法对于倾斜风机故障目标不能准确检测,在YOLOv3模型的基础上增加了旋转处理层和还原层,以解决风机倾斜故障目标检测问题;除此之外,针对存在遍布整个叶片图像的故障类型,提出一种多尺度检测的网络,以满足检测大目标的目的,在VOC2007数据集上验证了其有效性,并在自行标注的数据集上mAP达到了76.1%,且运行速度达到了31.2f/s,实现了对风机叶片故障的实时检测。