在绿色清洁能源综合开发利用的时代背景下,作为风能发展技术的代表产物风力发电机现已大量投放使用。但因其常年运行于复杂的工况环境中,风机传动系统中齿轮箱部分不可避免地增加了损坏风险。滚动轴承作为齿轮箱中最容易发生损坏的零部件之一,一旦出现故障不仅会加剧齿轮箱损坏的进程,乃至可能会导致风机出现事故。因此,对于风力发电机齿轮箱滚动轴承故障诊断的研究具有重要意义。近年来,以深度学习为代表的智能诊断方法得到了飞速发展。但将深度学习算法应用至风力发电机齿轮箱轴承的故障诊断中存在如风机信号样本不足、获取风机故障标签难度大、采集数据故障特征不明显导致多数据融合困难等问题。为更好的优化风力发电机齿轮箱轴承的智能诊断算法。论文的具体研究内容如下:（1）针对风力发电机齿轮箱轴承在实际工作中故障数据较难获取的这一问题,提出一种基于Wasserstein距离的生成对抗网络（Wasserstein Generative Adversarial Networks,WGAN）与半池化卷积神经网络（Semi-pooling Convolutional Neural Networks,SPCNN）结合的故障诊断方法。首先,为使信号样本适应于模型的输入维度,采用维度转换的方式将一维时域信号转化为二维矩阵形式。然后,训练生成器生成与原样本特征相似的二维矩阵,并将生成样本添加至原训练样本中,进一步的扩充训练样本集。最后,通过实验数据进行对比验证。研究结果表明,基于WGAN的数据扩充方式可以提高训练集的特征多样性。在分类过程,所采用的SPCNN模型有效的减少了训练时间。（2）针对风力发电机齿轮箱轴承样本获取标签困难的问题,提出一种基于改进的对抗领域自适应（Domain Adversarial Neural Network,DANN）的跨设备故障诊断方法。首先,采用基于WGAN的数据扩充方式对源域和目标域数据进行生成。再次,为了更为高效的提取可供迁移的特征,构建了一个带有残差结构的卷积神经网络（Convolutional Neural Network,CNN）作为迁移学习模型的特征提取器。最后,通过实验数据进行对比验证。结果表明,经过数据扩充后,所提出的算法可以有效的完成跨域诊断任务。（3）在单传感器数据的基础上,进一步的考虑具有多角度信息的多传感器数据。为了避免多传感器数据中特征不明显信号对整体的模型造成影响。同时,针对风力发电机齿轮箱轴承信号噪声大,数据融合模型鲁棒性要求较高的问题,提出一种基于改进多尺度CNN（Multi Scale Convolutional Neural Network,MSCNN）的多传感器数据融合诊断模型。提出的模型在特征提取中引入了多尺度的卷积核,提高了数据融合过程中的鲁棒性。此外,在多尺度的融合方面,采用全局平均池化（Global Average Pooling,GAP）的方式保留了特征图的空间结构,更好的适应了各分支结构的融合过程。随后,通过实验数据进行对比验证。结果表明,所提出的模型具有较强的鲁棒性,可以有效的解决风力发电机齿轮箱轴承的多传感器数据融合诊断问题。