风力机结构作为风能转化为电能的主要形式,一旦发生损坏便伴随着重大的安全事故和严重的经济损失,因此准确监测风力机结构状态对风电机组的运维和安全具有重要意义。风力机结构的动力特性识别通常使用传感器进行监测,传感器监测有着成本高昂、安装困难、容易损坏结构、信号难以传输的缺点。本文针对传统风力机结构监测的劣势,使用无人机和计算机视觉对风力机结构进行低成本、无标记、非接触、无损伤的动力特性识别研究,为评估风力机叶片状况提供参考。研究内容主要包括以下几点:（1）研究无人机在空间悬停监测时产生的位移漂移规律,针对无人机悬停监测时产生的位移漂移影响,提出基于静止不动点和基于高通滤波的位移补偿方法消除平面内位移漂移、自适应比例因子消除平面外位移漂移,且对两种方法的应用场景给出了不同策略,解决了无人机悬停监测时出现的空间位移漂移影响,为使用无人机识别结构动力特性奠定了基础。（2）提出一种基于光流法和无人机的大型风力机结构动力特性识别方法,使用无人机拍摄风力机结构的振动视频,采用光流法对监测点进行视觉跟踪得到其位移响应,并与传统监测方法进行时域与频域信息的对比分析。结合分段监测方法识别风力机结构全局振型,并通过振动台试验进行验证。结果表明,结合分段监测方法,利用无人机搭载计算机视觉监测系统可以很好地识别大型风力机结构的模态振型。（3）采用机器学习方法对DSST（Discriminative Scale Space Tracker）算法的位置与尺度滤波器进行训练增强目标图像特征,提出基于无标记的DSST视觉算法。在模拟光照变化和复杂背景的工程环境测试无标记DSST视觉算法,并与传统计算机视觉算法对比分析验证该算法的鲁棒性;结合无人机和无标记DSST视觉算法通过室内试验对模拟停机下的风力机叶片进行动力特性测试,验证本文提出的监测方法在动力特性识别的可行性。结果表明,基于无标记DSST视觉算法和无人机的结构健康监测方法可以准确识别风力机叶片结构的动力特性,可以实现低成本、无标记、非接触、无损伤的结构健康监测方式。（4）基于计算机视觉技术和改进的YOLOv5（You Only Look Once v5）深度学习模型提出一种非接触式风力机结构动力特性识别方法。首先,通过引入CSP2＿2（Cross Stage Partial 2＿2）结构减少残差组件的数量对原YOLOv5l模型的CSP结构进行改进,提升网络训练速度,在此基础上,加入Deep sort算法提升结构位移监测精度。其次,针对深度学习样本数据集难以收集的缺点,结合blender软件进行风力机结构在不同环境、光照等实际工程相似的环境建模,结合图像扩充技术,提出了基于建模的数据集扩充方法。最后,通过试验对所提算法的可行性进行了验证,并对不同YOLOv5模型、不同光照条件和不同角度对识别结果进行了影响分析,结果表明改进的YOLOv5深度学习模型不但可以在众多YOLOv5模型中性能脱颖而出,而且在不同环境下的振动监测有很高的精度。该方法能够准确识别风力机结构的动力特性,可为评估风力机结构状态提供参考。