风力发电是目前最具发展前景且发展速度最快的清洁能源之一。然而,受风力和风速变化的影响,风力发电机组的关键部件齿轮箱轴承容易出现故障,进而导致不必要的停机。风机齿轮箱轴承智能故障诊断算法能够迅速确定齿轮箱轴承故障状态,减少停机检修的时间,提高风力发电的效率。然而,受风力风速影响,风力发电机组的运行工况是高度动态的,这导致了影响风机齿轮箱轴承故障诊断的两个问题,有标记故障样本稀疏以及工况时变。这两个问题对以统计机器学习为内核的智能诊断算法的有效性提出了强有力的挑战。针对风机齿轮箱轴承故障诊断中面对的有标签数据样本稀疏这一问题,本文提出了一种多阶段的半监督深度嵌入聚类（SSIDEC）算法。通过结合半监督学习以及深度聚类,SSEDEC能够同时挖掘有标记样本与无标记样本中的故障信息。通过生成大量的伪标签样本,SSIDEC弥补了标签样本不足对半监督算法性能的影响。为了学习更好的故障特征并减小网络模型的过拟合,SSIDEC使用基于跳跃连接的卷积自编码器作为基本网络结构,并引入虚拟对抗训练（VAT）作为模型的正则化项。SSIDEC方法还能够应用于无监督的轴承故障诊断任务。本文在凯斯西储（CWRU）大学公开轴承数据集上对SSIDEC进行了验证,并与目前先进的半监督与无监督算法进行了对比。实验结果证明了SSIDEC的有效性与优越性。在解决了有标签数据样本稀疏这一问题后,本文提出了一种无监督域自适应迁移（UDATL）算法提高智能诊断算法在变工况条件下的有效性。以SSIDEC作为源域预训练网络,UDATL通过伪标签生成,子域匹配,以及最小化源域与目标域间的最大均值差异（MMD）三个过程,消除了源域数据与变工况目标域数据之间的边缘分布以及条件分布差异。本文在CWRU数据集上对UDATL方法的有效性进行了验证。实验结果表明,UDATL能够成功将源域模型迁移到目标域,并与传统深度学习以及迁移学习算法的对比中取得了最优效果。本文提出的SSIDEC以及UDATL并不是两个孤立的算法。首先,通过SSIDEC建立源域数据集及诊断模型。然后,UDATL被用来提高诊断模型在工况变化条件下的诊断性能。为了证明本文提出的算法能够解决风机齿轮箱轴承故障诊断面对的问题,本文搭建了风力发电模拟实验平台,在数据稀疏,工况变化以及混合条件下对提出算法的有效性进行了验证。