叶片是大型风力发电机组获取风能的关键部件。由于长期运行在严酷的自然环境中且承受各种复杂应力的耦合作用,叶片极易发生各种安全隐患,造成重大的经济损失,因此,亟需发展风机叶片在线健康监测技术。目前,风场定期巡检的维护模式效率低且实时性差,难以满足智能风电场的信息化运维需求。虽然已经发展了多种叶片故障检测技术,但由于存在一定的不足,均未能广泛应用。为此,本文提出一种非接触式风机叶片远程在线声学监测系统,重点研究风机叶片故障声学特征提取方法,具体研究内容及成果如下:首先,设计给出风机叶片远程在线声学监测系统架构,包括声信号采集模块、前端数据处理模块、通信模块与监控管理中心,详细介绍各模块的核心功能。其次,建立基于倍频程与PCA的风机叶片声学特征提取与自适应优化方法。利用预处理方法去除采集声信号中的复杂背景噪声后,根据声信号的频域变化特点,提取1/6倍频程能量比作为初始特征。同时,针对特征空间维度较高的问题,引入基于PCA的特征维度自适应优化方法,获得低维叶片声学特征,并利用SVM评价指标评估声学特征的有效性。实验结果表明,该方法能够有效提取出叶片声学特征。最后,针对人工特征提取方法泛化能力与非线性表征能力不足的问题,提出一种基于堆栈自动编码器的风机叶片声学特征提取方法。以时频数据构造输入样本集,引入Denoising与Dropout方法解决网络模型容易过拟合的问题,并采用粒子群优化算法寻找SDAE网络的最优超参数。实验结果表明,PSO-SDAE算法能够自动提取有效的叶片声学特征,且泛化能力较强,具有广泛的应用前景。