风能具有清洁、可再生等优势,近年来世界各国均着力于风力发电机的部署以缓解能源短缺和环境污染问题。风机叶片是风力发电系统的关键部件,其健康状态对风力发电机的整体性能有着显著影响。风机叶片常在雷电、盐雾、雨雪和强弱风随机变化等复杂的自然环境中工作,面临着各种各样的损伤和挑战,若不能及时发现叶片的损伤并修复,将造成较大的经济损失。因此,建立实时在线非接触风机叶片健康状态监测系统对于风力发电机正常运行具有重要意义。目前虽然发展了一些风机叶片健康监测的技术,但这些技术均有其局限性,且部署应用到实地的难度较大,因而绝大多数风力发电厂仍采用人工巡检的方式。本论文针对风机叶片健康状态的检测算法展开了深入的研究,创新地提出了基于声学特征和神经网络的风机叶片健康状态监测系统来代替人工巡检,重点研究如何利用和优化神经网络模型算法来更好的对风机叶片的故障类型进行识别分类,主要完成了以下研究:（1）音频数据集的构建与分析。在风场对不同的风机进行音频录制,整理风场实测的音频数据并基于信号特征将其分类以构建数据集,然后对数据集进行详细地可视化分析。（2）提出基于倍频程与BP神经网络的风机叶片健康状态监测系统。本系统采用一种基于声信号的非接触监测方法,可以对风机叶片的健康状态进行实时在线监测。对音频数据进行1/6倍频程频带能量的特征提取,送入设计好的BP神经网络模型进行训练和测试。对音频数据进行不同转速的模拟以扩充总体样本数据,得到模型在测试集上的精度较原始模型提升了1.4%,最后模型识别准确率为95.27%,验证了该模型能有效识别风机叶片正常和异常两种健康状态。（3）提出基于对数梅尔声谱图与深度学习模型对风机叶片健康状态监测的算法。将异常类样本按缺陷特征细分为3个类别,结合正常样本得到4类别的数据集。采用对数梅尔声谱图作为输入特征,利用ResNet、DenseNet和EfficentNet三种模型在ImageNet上的预训练权重来进行迁移学习,采用数据增强和修改损失函数的方法增强了模型的泛化能力。对原始CNN模型进行改进,创新地提出基于注意力机制的CRNN模型。改进后模型更关注时域上相关性以及频域通道间的联系,在精度上较原始模型提高了1.3%,推理速度提升了9%。综合效果最好的模型在测试集上的加权F1值达到了90.89%,推理速度为144FPS,证明了该模型能快速有效地识别风机叶片的4种缺陷类型。