电动机已经成为了现代化工业进程中不可缺少的设备，其使用也已经深入到了社会和生活的各个方面。但是在使用过程中出现的故障多发情况也已经不容人们忽视。重大的电动机事故给企业带来了巨大的经济负担，同时也造成了恶劣的社会影响，有的甚至对人身安全造成了威胁。因此，对电动机的故障诊断预测已经变的相当重要。　　本文首先对电动机的工作特性进行了分析。其次挑选了三种常见的电动机故障即转子故障、轴承故障、绝缘电阻下降作为研究对象。由于振动信号能够更全面的反映电动机运行状态，所以通过信号采集实验得到了各种故障状态下的振动信号。最后用小波包技术做降噪处理和分解变换，提取到故障信号的特征向量，以这些向量作为神经网络的输入，通过BP神经网络不断训练达到精度以后做出正确的诊断。　　典型的BP神经网络算法存在收敛速度慢、有可能陷入局部最小值而无法收敛的问题。因此在仿真实验过程中选取了四种比较成功的改进型BP神经网络算法，即附加动量项算法、共轭梯度算法、拟牛顿算法和Lvenebegr-Marquardt算法在Matlab平台环境下分别做仿真实验。通过对仿真结果的分析，选择了更合适的Lvenebegr-Marquardt算法进行故障诊断。在实验过程中用大量的故障信号特征向量对BP神经网络进行训练，当误差精度符合要求后，将三组测试样本数据输入神经网络，输出结果表明能够准确的诊断出电动机的三种故障类型。证明了小波包神经网络诊断系统能够在一定程度上实现电动机故障类型的智能化诊断。