近年来,风能作为一种可再生能源在世界范围内受到广泛关注。然而,随着风力发电的大规模发展,风电机组的故障问题也变得越发突出。滚动轴承作为风电机组中必不可少的零部件之一,由于恶劣的运行环境易于发生故障。并且在实际风电机组运行过程中,轴承因其自身结构的特点及其所处工作环境的恶劣性,轴承中不同部件可能会同时发生局部损伤,呈复合故障状态。复合故障信号并不是单一故障信号的简单叠加,而是不同元件故障特征相互混叠,彼此干扰,使得振动信号更加复杂,给风电机组滚动轴承复合故障特征提取和故障诊断带来了很大难度。因此针对上述问题,本文以风电机组的滚动轴承作为研究对象来对轴承进行故障诊断研究,主要研究内容如下:1、分析了滚动轴承各部件发生局部故障时的振动特性,研究了不同类型的故障所激发出相同或不同共振频带情况下的复合故障,并通过建立复合故障仿真信号模型进行模拟,为研究滚动轴承复合故障提供了模型参考。2、基于最优Morlet小波滤波的风电机组滚动轴承复合故障诊断研究。主要研究了Morlet小波滤波的带通滤波特性,具有指数衰减成分能够与轴承振动信号中典型故障脉冲成分准确匹配,故应用其对滚动轴承故障进行特征提取。但用Morlet小波滤波对故障信号进行带通滤波,需确定中心频率和带宽,故采用人工鱼群优化算法（AFSA）以相关峭度作为目标函数对这两个参数进行优化,从而获得最优Morlet小波滤波器,然后将最优Morlet小波滤波器对轴承复合故障振动信号进行带通滤波,同时1.5维Teager峭度谱具有良好的解调和抑制噪声的性能,故将其作为对滤波信号的后续处理方法,通过提取故障特征频率来对轴承故障进行诊断。3、基于自适应多点最优调整最小熵解卷积的风电机组滚动轴承复合故障诊断研究。针对轴承出现复合故障时,不同故障特征相互交错、混叠在一起并彼此干扰,轴承故障类型难以判断的问题,采用多点最优调整最小熵解卷积（MOMEDA）算法对复合故障进行分离,但该算法受滤波器长度L和故障周期T这两个参数影响严重。针对此问题,本章提取了自适应MOMEDA的风电机组滚动轴承复合故障特征分离方法,以振动信号的多点峭度（MKurt）作为人工鱼群算法（AFSA）中的目标函数,实现对滤波器长度L和故障周期T的自适应寻优。通过仿真和工程实例分析结果表明,该方法能够有效且准确的实现复合故障的分离,从而对风电机组轴承复合故障状态作出准确识别。