风力发电正在电力行业中占有越来越重要的位置。但是由于载荷复杂多变、运行环境条件恶劣,使得风电机组故障率以及运行维护费用较高。因此对风电机组进行状态监测与故障诊断具有重大的工程实际意义。然而在强噪声、强干扰、强耦合的背景下进行滚动轴承、齿轮等部件故障特征信息的早期提取一直是风电机组故障诊断领域的一大难题。最小熵解卷积方法正是一种十分便捷和有效的故障特征提取和智能诊断方法,通过最小熵解卷积方法来增强故障信号的冲击性,降低传递路径等因素带来的干扰,将更加有利于对设备故障早期特征信息的识别,从而提高故障诊断的准确性和及时性。本文主要研究基于最小熵解卷积的轴承故障特征增强方法及其在实测信号分析中的应用,主要研究内容：(1)对最小熵解卷积方法的理论基础进行探究,用仿真信号及风电机组实测信号验证了其有效性。(2)验证当对象信号的转速变化时,最小熵解卷积方法依然可以进行稳定可靠的状态判断。通过更改滤波器的参数,探究各个因素对最小熵解卷积结果的影响,并给出合理的参数设置。(3)对经过最小熵解卷积后信号的时域特征值与频域特征值的变化情况进行研究,并介绍了自组织特征映射(SOM)神经网络的基本理论,将用最小熵解卷积方法处理过的振动信号输入到SOM神经网络中进行训练,可以取得更理想的分类结果。