根据能源发展要求,我国二氧化碳排放力争2030年前达到峰值,2060年前实现碳中和。为了实现这一要求就必须寻找新能源代替传统能源,风能作为一种新型的清洁无污染能源,风能以其可再生、储量丰富等特点被广泛的应用于发电领域。中国风力发电新增装机占全球新增的75%。因此,保证风力发电机组高效安全运行是风力发电的技术关键,对齿轮箱进行故障预警及诊断是保证风力发电机安全运行的重中之重。针对齿轮箱故障预警及诊断问题,研究主要从以下三方面展开:（1）针对齿轮箱故障预警精度低的问题提出了一种基于特征提取和深度学习的组合模型。首先对原始油温数据进行预处理。其次对油温数据进行相关性分析,分析结果表明油温数据具有典型时间序列拥有的特性。再采用李雅普诺夫指数对油温时间序列进行分析,根据分析结果对油温时间序列进行重构,避免了因建模数据集混沌性过强导致的预测精度下降的问题,之后采用快速傅里叶变换对信号进行处理,提取了油温数据深层的特征,进一步的提高了预测精度,最后采用深度学习算法-深度神经网络建立齿轮箱油温预测模型。再将齿轮箱油温预测模型与预警策略相结合,进一步提升了齿轮箱故障预警的精度。（2）由于齿轮箱故障主要包含轴承故障,所以针对齿轮箱轴承故障诊断精确度低的问题,提出了数据分解和深度学习的组合模型。首先对原始轴承故障数据进行预处理。其次,采用变分模态分解法对振动信号进行分解。之后采用快速傅里叶变换对分解后的分量进行了提取,将提取后的特征信息作为模型输入,故障类型标签作为输出。最后再采用深度置信网络建立齿轮箱轴承故障诊断模型。故障诊断的准确率在98%。（3）在实际发电过程中,为了方便检修人员对齿轮箱进行运维和检修,以已有模型的基础,分别搭建齿轮箱故障预警系统和齿轮箱轴承故障诊断系统,采用实际采集的数据输入到系统中,最后用软件界面进行展示。最终实现了齿轮箱故障预警及诊断系统。