随着风力发电技术的发展,国内外设计制造的风力发电机组正朝着大体积、大容量的趋势发展,稳定性和安全性问题也日益凸显。变桨距系统作为变桨式风电机组的重要组成部件之一,对风电机组的安全高效运行起着决定性的作用。受随机风速和风向变化影响,变桨距系统需要频繁地动作,且由于常年工作在恶劣的工况中,变桨距系统各部件的损伤和故障率较高,最终影响功率输出的稳定性,研究变桨距系统的故障诊断方法以降低故障对系统的损害、保证系统安全运行十分重要。粒子滤波作为一种适合于非线性模型、非高斯噪声下的状态估计算法,被大量地应用于非线性系统的故障诊断中,但该算法本身存在着粒子退化、样本匮乏和实时性不高等不足。为此,本文基于粒子滤波对风电机组变桨距系统的故障诊断方法进行了研究。主要研究内容如下:（1）分析了风电机组的工作原理,给出了风电机组各主要子系统简化模型,包括风速、空气动力系统、变桨距系统、传动系统、发电机与变流器、控制系统,并针对变桨距系统的故障进行了分析和故障模型集的建立。（2）针对粒子滤波存在的问题,包括粒子退化及样本匮乏导致的估计精度不高的问题,以及粒子数目大导致的估计实时性差的问题,本文将集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）和KLD（Kullback-Leibler Distance）采样方法与粒子滤波相结合得到KEn PF。首先利用EnKF获取更接近实际后验分布的建议分布,以缓解粒子退化问题,提高估计精度;然后在每一迭代周期都利用KLD作为判据自适应地减少粒子数目,提高滤波器计算效率,从而提高实时性。（3）针对风机变桨距系统多故障的诊断问题,引入一种通过自适应估计进行故障诊断的交互式多模型（Interacting multiple model,IMM）方法,并将其与粒子滤波相结合设计出基于IMM-PF的故障诊断算法,最后在所建立的风机仿真平台上验证该算法的有效性。（4）针对IMM-PF故障诊断方法中的状态估计和诊断精度不高、存在诊断延迟和实时性差等问题,在非模式变化阶段,使用模型概率梯度设计修正函数自适应地修正IMM模型转移概率,提高模型概率精度;在模式变化阶段,以似然函数为判据对模型概率进行反转,提高诊断速度;同时将KEn PF与修正IMM相结合,以提高估计、诊断性能和实时性,最终得到基于MIMM-KEn PF（Modified IMMKEn PF）的故障诊断算法,并使用该方法解决了变桨距系统的故障诊断问题。