柴油机是目前应用最广泛的动力设备之一，被广泛应用于石油钻井、动力发电、铁路牵引、工程机械、各种船舶和汽车等领域。柴油机作为往复式机械的代表，本身结构复杂，故障也呈现出复杂性和多样性的特点，应用传统的诊断方法很难进行识别，已不能满足现代化的要求。据统计，柴油机故障中约有27％是由于燃油系统故障引起的，而燃油系统又是柴油机的关键系统，其工作状态好坏直接影响柴油机的正常运行，并决定着柴油机性能的优劣，一旦燃油系统发生故障，必将导致柴油机燃油燃烧恶化、功率下降、经济性和可靠性下降以及排烟情况恶化。因此，及时地诊断出柴油机燃油系统的故障具有重要的现实意义。通过实验表明高压油管的压力波形包含了大部分的工作状态信息，能较敏感的分辨出各种故障信息。本文正是应用检测高压油管中压力波动的变化来诊断燃油喷射系统的故障。根据高压油管中压力的特点，提出了从时域波形进行识别并提取燃油最大压力、起喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度、波形面积等特征参数，这些参数非常直观的反映燃油喷射过程工作状态，最能表现出柴油机的运行状况。人工神经网络是一种大规模并行的非线性系统，具有很强的联想学习能力、自组织、自适应和高度的非线性运算能力，因此，在识别那些复杂变量之间的因果关系上，拥有较强的判断能力。本文，系统研究了目前神经网络方法在故障领域应用最广的BP神经网络，详细地探讨了三层BP网络的网络结构、网络参数的设置、训练模式的选择及几种改进的算法。运用学习率自适应调整的动量BP神经网络对故障特征参数进行训练和识别诊断，将故障特征参数作为神经网络的输入神经单元，其诊断结论作为输出神经单元。实际应用表明，该方法具有较好的故障诊断效果。同时，在针对BP网络容易陷入极小点、收敛速度慢的问题上，探索性的提出把自组织特征映射神经网络(SOFM)应用于柴油机故障诊断。自组织映射神经网络诊断方法属于无教师指导方法，不需要进行样本训练学习，可直接进行聚类识别诊断，具有快速识别诊断的能力。通过仿真实验表明：自组织特征映射神经网络能够很好地完成故障诊断，准确性和效率相当高，并具有速度快的优点。最后，本文将改进后的BP神经网络和自组织映射神经网络进行了比较，研究结果表明：人工神经网络应用于故障诊断拥有很高的正确识别率，自组织映射神经网络不需要进行样本训练学习，可直接进行聚类识别诊断，具有快速识别诊断的能力，并且可克服BP网络出于样本组织不全面而带来诊断结果模糊的缺点，诊断效果比较好。经过对比可以看出神经网络在柴油机故障诊断中的应用是有效可行的。神经网络等智能技术在故障诊断中的应用前景将是非常广阔的。