随着全球风力发电装机容量的不断增加，风力发电机组关键部位的监测及维护已经成为故障诊断的重要组成部分。齿轮箱是目前主流的非直驱风力发电机组中重要的关键零部件之一，在整机成本中占很大比重，工作状态往往直接影响整台机组的运行状态，其缺陷会使设备产生异常振动和噪声进而导致机组停机，甚至造成设备损坏和人员伤亡。因此，对风力发电机组齿轮箱进行故障诊断的研究具有十分重要的现实意义。　　本文主要研究了以下几个方面的内容:　　首先，介绍了风力发电机组齿轮箱结构、各部件常见故障及成因，系统地研究了各部件故障振动信号的基本特征，给出了齿轮箱故障诊断常用的时域、频域、时频诊断方法及其不足，并指出未来齿轮箱故障诊断技术的发展方向。　　其次，针对齿轮箱振动信号的非平稳、非线性等特征，使用集合经验模态分解(EEMD)方法对原始振动信号进行预处理。为了提取信号的故障特征并方便计算，紧接着对集合经验模态分解后的信号进行奇异值分解，分解后的奇异值矩阵包含了原始信号的故障特征，可以作为后续诊断算法的输入。　　最后，将聚类分析中的模糊C均值聚类引入到风力发电机组齿轮箱故障模式识别中去。通过对齿轮箱实例数据进行仿真试验，实现了对齿轮箱齿轮的正常、齿面磨损、断齿三种状态的故障识别。试验结果表明，本文提出并使用的故障诊断方法能够对风力发电机组齿轮箱的齿轮故障做出较好的故障类别判断，值得推广应用。