传动系统作为风电机组的重要传动装置,长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下,故障发生率较高。一旦发生故障,将可能引发连锁反应,会导致机组停机造成高昂的维修费用和发电损失。因此,急需研究风电传动系统的健康监测技术,及时发现故障隐患避免发生重大事故。然而,风电机组大多时间工作在正常状态,存在故障样本缺乏、故障模式不完备的问题,同时振动监测信号具有非平稳、成分复杂和故障信息微弱等特性。针对这些问题,本文从无监督和半监督学习角度出发研究基于深度单分类的异常检测方法。主要完成内容如下:（1）针对风电传动系统振动监测数据存在正常样本多、故障样本稀缺的问题,提出一种基于多尺度深度单分类卷积神经网络的异常检测方法。该方法仅利用正常样本训练模型,通过设计多尺度卷积神经网络从一维振动信号中自适应提取特征,并通过单分类学习优化目标,建立包含全部正常样本的超球体模型,将故障样本映射到超球体之外从而实现异常检测。（2）针对离散多工况下风电传动系统振动监测信号正常与故障状态存在特征相似性难以区分的问题,提出一种多工况下基于分组卷积的深度单分类异常检测方法。该方法根据工况数量设置分组卷积神经网络的分组数量,不同分组下的卷积神经网络分别对不同工况下的原始振动信号提取特征并融合,之后利用多尺度卷积神经网络提取融合后的多工况特征,最后通过深度单分类模型将正常样本与故障样本区分开,从而实现“分工况特征提取、融合特征和异常检测”的协同优化。（3）针对变工况下风电传动系统的样本在类内差异相对增大、类间差别相对减小的问题,提出一种变工况情况下基于小波包分解的半监督深度单分类异常检测方法。该方法引入少量的故障样本构建半监督学习模型,将含有不同子频带的小波包系数矩阵作为模型输入,结合注意力机制赋予不同子频带的小波包系数不同的权重,实现了不同子频带信息重要程度的自适应调整,从而提高变工况下风电传动系统部件的异常检测性能。