随着经济的发展和人口的增加，能源危机正影响着人们的生活，风能是绿色能源，蕴藏量丰富，因此被广泛的使用，其中最有利的形式就是风力发电。风力发电成本低，无污染，具有很好的发展前景。随着风电机组的广泛使用以及设备结构的逐步复杂，故障问题也逐渐引起了人们的关注。在风电机组中，齿轮箱是故障发生率最高的部件，因此本文研究了风机齿轮箱的故障诊断方法。风机齿轮箱发生故障的样本数据较少，一般的故障诊断方法难以保证诊断的性能。支持向量机(Support Vector Machine，SVM)是一种小样本的人工智能方法，适合对风机齿轮箱进行故障诊断。最小二乘支持向量机(Least Square Support VectorMachine，LSSVM)是对SVM方法的改进，无论是运行时间还是正确率，LSSVM算法都有了提高，因此本文选择LSSVM作为故障诊断的理论基础。LSSVM的参数对其性能有着非常重要的作用，为了避免参数选择的盲目性，需要对其参数进行优化。本文对人工蜂群算法(Artificial Bee ColonyAlgorithm，ABC)进行了改进，引入了反向学习的方法和锦标赛的选择策略，研究了基于锦标赛选择策略的双种群人工蜂群算法（Bi-Group Artificial Bee Colony Algorithm Based onTournament Selection，BTABC）。然后利用BTABC算法对LSSVM进行参数优化，以BTABC-LSSVM方法对风机齿轮箱进行故障诊断。最后，本文给出了基于BTABC-LSSVM的风机齿轮箱故障诊断模型，利用BTABC-LSSVM进行故障诊断。经过实验分析对比，本文所用方法比交叉验证参数的LSSVM和小波神经网络方法具有更高的故障识别率，在风机齿轮箱故障诊断领域具有良好的实用性。