汽车技术快速发展的同时也伴随着危险的发生，随着人们对汽车功能的要求越来越高，汽车性能提高了，结构复杂了，故障发生的概率也增加了。对于故障诊断技术而言也面临着挑战，人们生命财产的安全更加需要先进可靠的技术来保障，因此需要找到一种行之有效的方法及时发现汽车故障甚至预测故障的发生，将损失减到最低。汽车发动机的运行状况十分复杂，想要准确对其故障的发生进行诊断并非易事，因为发动机发生故障部位可以很多，而且故障现象各异，故障从总体来看呈现非线性的特点。对于这样的问题，现在还没有一种足够精确的模型可以表示其故障系统。这就需要构造一个智能诊断系统，它可以从大量的样本中提取故障特征，通过对故障样本的学习，形成自己的知识系统，进而实现故障诊断及预测。智能故障诊断技术发展为解决这类问题提供了新的理论依据，神经网络的自适应学习能力，使故障诊断系统具有了更高的智能程度和对故障的判断能力。BP神经网络属于前向神经网络，因为它的反向传播算法使其成为各类神经网络中最具代表性的一种。它良好的非线性映射能力可以很好地应用在故障诊断中。由于传统的BP神经网络在训练新的样本过程中容易遗忘原来的旧样本，使得之前的训练结果对于后期神经网络的训练没有起到作用，而且存在训练精度低等缺陷，因此本文给出一种增加输出层状态反馈的神经网络算法，解决上述提到的问题。在原有的BP神经网络模型基础上，增加了一层新的输出层状态反馈，克服传统网络在训练过程中学习新样本时遗忘旧样本的缺点，提高了神经网络的训练精度。将改进BP神经网络，称为OFBP神经网络，应用于汽车发动机故障诊断，以汽车尾气中的重要指标作为神经网络的输入，网络的输出对应不同的失火故障，仿真结果证明了本文提出的算法能够有效地提高BP神经网络的训练精度，更加准确地实现发动机失火故障诊断。