当今世界,能源是人类生存和发展的重要基础。其中风能是一种分布广泛的清洁型能源,风力发电也越来越受到人类的关注与重视。与此同时,风力发电机组长期在户外工作,由于恶劣的自然环境导致风力发电机组突发故障的事故时有发生,这样不仅仅会增加风力发电厂的维修成本,甚至造成巨大的经济损失。因此,合理的维修决策对于风力发电机的可用性和经济性都有着显著的作用。　　针对风力发电机零部件叶片和变速箱的劣化特性和维修策略问题,本文采用泊松过程和Gamma过程分别对叶片和变速箱的劣化过程进行建模,并将维修方式和检测时间间隔作为决策变量,同时又考虑叶片和变速箱系统处于劣化状态下的劣化代价和停机代价的影响,建立基于半马尔可夫决策过程的单部件状态维修优化模型。本文使用Q学习算法和策略迭代算法分别对叶片、变速箱两不同模型进行求解,并得到最优维修策略和最优费用率。另外还通过对多次仿真的数据结果进行比较分析,证明了这两类模型的可用性和经济性。　　同时,本文还将风力发电机的叶片和变速箱串联组成两部件系统来考虑其状态维修问题。沿用前面介绍的叶片和变速箱的模型,建立基于半马尔可夫决策过程的两部件串联系统状态维修模型,并利用Q学习算法对这一模型进行求解并得到平均准则下的最优维修策略和最优费用率。