近些年来,我国风力发电得到了迅猛发展,虽然风力发电机的设计与制造已逐步完善,但是由于运行载荷复杂多变,工作条件恶劣等特殊原因,使得风电机组的故障率居高不下,对其运行维护提出了巨大的挑战。因此研究及推广应用风电机组状态监测与故障诊断技术对于提高风电设备的运行安全可靠性具有重要的实际意义。基于上述情况,本文对风电机组传动链故障智能分类方法进行研究,旨在提高传动链设备故障的自动识别能力和精度,提高设备维修技术及管理水平。论文的主要工作如下：首先对风电机组的结构进行概述,简要说明风电机组主要部件的故障机理、故障类型。介绍了三种基于振动信号分析的故障特征提取方法,包括时域、频域和小波包特征提取方法。通过实例分析了三种特征提取方法的分类效果和特点。同时还介绍了主成分分析方法的基本原理,并将主成分分析方法和小波包特征提取方法结合使用,把多个特征值指标转化为少数几个综合指标,以获取最主要的信息。其次,将基于支持向量机的智能故障分类方法应用于风电齿轮箱故障分类问题,用实际案例验证了二分类和多分类支持向量机的效果。针对神经网络的局部极值问题和需要大量训练样本的情况,以及提高分类准确率的问题,结合小波包(Wavelet Packet, WP)、粒子群优化算法(Particle Swarm Optimization algorithm, PSO)和支持向量机(Support Vector Machine, SVM)理论建立了风电机组传动链故障诊断模型,即WP-PSO-SVM模型,用实际数据对模型的效果进行了验证。讨论了带通滤波、特征提取和主成分分析三方面对分类正确率的影响。最后,针对支持向量机作为有监督学习方法在实际应用中所受到的限制,本文利用高维空间支持向量点聚类及相似度闽值判别方法实现支持向量机半监督,并对未知样本进行识别分类,进一步应用到风电机组群的智能故障诊断中。