随着人们对环境保护的要求日益提高,绿色清洁的可再生能源正逐步取代传统化石能源,风能是可再生能源的主力军之一。风电机组位于风力资源丰富的偏僻地区,工况复杂多变,相较常规机械更易发生故障,且存在复合故障的概率较大,因此对其复合故障诊断的研究有益于降低风电机组的运维费用并保障风电机组安全稳定运行。目前,风电机组复合故障诊断方法多基于人工时频域分析,而使用机器学习算法的风电机组故障诊断多仅考虑了单一故障情况,本文针对不对中和齿轮断齿两种常见故障用机器学习的方法进行了研究。论文首先分析了不对中故障与齿轮断齿故障的振动特征,然后根据双馈式风电机组的工作原理搭建了风电机组传动系统故障实验台。设计实验,用实验台模拟正常、不对中故障、齿轮断齿故障和不对中与断齿复合故障,采集了多种转速下的振动数据。其次,研究了支持向量机诊断模型,对其超参数寻优过程引入了灰狼优化算法,对比了灰狼优化算法和粒子群优化算法寻优的支持向量机,在多个数据集上的实验结果表明灰狼优化算法优于粒子群优化算法,具有更好的稳定性,且在风电机组不对中振动仿真数据集上表现优秀。因此,选定灰狼优化算法寻优的支持向量机作为诊断模型。然后,将高阶累积量图像理论引入风电机组复合故障诊断,研究了不同的基于高阶累积量的特征的诊断效果,提出了结合高阶累积量灰度图图像纹理特征（0°、45°、90°三方向生成的灰度共生矩阵所提取的对比度、逆差矩、相关性）和时域均值的故障诊断方法。相较于直接使用高阶累积量,该方法提高了诊断模型的泛化能力,提高了诊断正确率,并改善了误报、漏报现象。最后,基于经验小波变换,提出了基于低通滤波经验小波变换时频域特征提取方法,经对比,该方法优于经验小波变换和经验模态分解,消除了诊断的混淆现象。探究了低通滤波经验小波变换的频谱划分数目对诊断结果的影响,给出了具体的选取方式。对低通滤波经验小波变换提取的时频域特征和常用时域特征、频域特征进行了特征选择,提出了结合低通滤波经验小波变换分量能量和裕度因子的风电机组复合故障诊断方法,具有高正确率、低漏报率、低误报率的特点。将所选的支持向量机模型与其他机器学习模型进行了对比,证明了支持向量机在该诊断问题上的优越性。论文提出的两种基于机器学习的风电机组不对中与齿轮断齿复合故障诊断的方法,相较于人工时频域分析信号图谱识别故障,减少了对人的经验的依赖,省略了计算故障频率的过程,并提高了诊断速度。两种方法相比,更推荐基于低通滤波经验小波变换的故障诊断方法,计算量小,正确率高。