柴油机通常工作在恶劣的环境中,发生故障的概率较大,由于故障导致的停车或事故灾难会造成较大的经济损失,因此,柴油机稳定持续的运行状态极为重要。目前,对柴油机的故障的研究还存在一些缺陷,例如,只能识别出少量的故障类型,故障诊断的准确性仍然较低,故障识别处于恒定速度等等。为解决上述问题,本文开展柴油机的故障诊断方法的研究,实现柴油机在不同转速下多种故障的诊断与识别。提出了一种基于小波分解与贝叶斯网络相结合的柴油机故障诊断方法。利用常柴EV80柴油机搭建了一套故障诊断试验台,将两个振动传感器用于采集同一缸头进气门和排气门处的振动信号,利用小波阈值降噪和小波包的方法对振动信号降噪分解。选取了信号的峭度、标准差、频谱重心及能量特征作为降噪后信号的特征值。贝叶斯网络（BNs）模型被用来对故障进行诊断识别。研究了信号中夹杂白噪声及柴油机在运行时遭受外在激励干扰时,故障诊断准确率受到的影响。研究了小波分解与经验模态分解（EEMD）方法对故障诊断结果的影响关系,建立了EEMD分解下的贝叶斯故障模型。将具有自适应分解能力的EEMD方法应用于振动信号的分解中,分别对分解后得到的不同层本征模态函数进行特征值提取,选取了边际谱图的积分面积,包络谱图的积分面积以及指定频率段间信号的均方根值等作为信号的特征值。将基于规则的算法与贝叶斯网络相结合来对故障进行识别,以减少每个网络中需识别的故障数目。研究了信号中夹杂白噪声及柴油机在运行时遭受外在激励干扰时,故障诊断准确率受到的影响。研究了BP（back propagation）神经网络与贝叶斯网络对故障诊断结果的影响关系。研究得到了BP神经网络在不同故障条件下的不同隐层神经元数目的故障诊断准确率。在对信号都进行EEMD分解以及使用规则算法的基础上,比较贝叶斯网络和BP神经网络在面对柴油机未加激励和施加激励条件下的故障诊断准确率,并对试验结果进行理论分析。研究得到了BP神经网络在信号降噪前后添加白噪声时的故障诊断准确率。