近年来,随着全球能源需求量的不断增多和化石能源的大量使用带来的环境污染的问题愈来愈严重,世界各国加大了对风电产业的投入,风电产业得到迅速发展。由于风电机组的设计寿命有限和服役期间的磨损积累,风电机组的故障率会逐年增加。如何利用现有的数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）系统数据实现故障诊断和预警技术,对于提高风电场的发电效益和安全性具有重要的意义。本文以SCADA系统数据为基础,主要研究内容如下:首先,为了从SCADA系统历史数据中提取健康数据。本文根据风电机组“风速-功率”散点图异常数据分布特征,研究了具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）、局部离群因子（Local Outlier Factor,LOF）、孤立森林（Isolation Forest,IF）三种常见异常数据处理算法对SCADA系统异常数据的识别情况。针对三种算法的不足,设计了基于正常功率区间的异常数据处理方案。该方案首先将功率划分为各个子区间,然后基于最小二乘法和四分位法设置出正常功率区间,最后去除掉区间以外的异常数据。实验结果表明,本文设计的方案能够很好地去除掉“风速-功率”散点图中所描述的异常数据。其次,本文根据SCADA系统故障记录表,对齿轮箱冷却器过载、液压系统温度错误、发电机温度过高、风机叶轮严重偏离这四种影响最大、频次最高的故障进行故障诊断研究。针对SCADA系统数据含有众多冗余特征的问题,设计了基于自编码器（autoencoder,AE）的AE-ReliefF特征提取方案。针对基于轻量级梯度提升机（Light Gradient Boosting Machine,LightGBM）故障诊断模型存在超参数寻优困难的问题设计了基于遗传算法（Genetic Algorithm,GA）的寻优方案。实验结果表明,风电机组故障诊断模型可以很好地诊断出这四种故障。为了进一步研究风电机组的故障与SCADA系统监测参量之间的关系,本文构建了二分类数据集,探究四种故障的特征权重,确定了风电机组故障与SCADA系统监测变量之间的关联关系。最后,为了提前捕获风电机组的故障信息,进行风电机组的故障预警。本文设计了一种结合最大互信息数（Maximal Information Coefficient,MIC）和长短时记忆网络（Long Short Term Memory Network,LSTM）的 MIC-LSTM 的预警方案。首先,使用 MIC 算法从SCADA系统健康数据集中提取与监测变量相关性大的变量训练健康模型,然后将实时数据输入到健康模型得到预测值,最后依据预测值与实际值之间的残差进行风电机组的故障预警研究。实验结果表明,对齿轮箱冷却器过载故障监测齿轮箱油温可以提前126分钟进行预警,监测主轴承温度可以提前173分钟预警,对液压系统温度错误故障可以提前155分钟预警,对发电机温度过高故障可以提前151分钟预警,对风机叶轮严重偏离故障可以提前106分钟进行预警。