随着汽车保有量逐年攀升,尾气排放造成的环境问题日益突出。三元催化器作为当前净化汽车尾气最有效的手段,因此对其的故障诊断一直是汽车诊断领域的重要研究内容。针对目前三元催化器的故障诊断模型大多功能单一、容错性能差和专用性强等问题,本文提出了一种全新的思路对三元催化器进行故障诊断。汽车尾气中富含大量的故障信息,对其合理利用能够对三元催化器进行有效地故障诊断,但从尾气数据中直接获取的故障特征因“等距效应”而不易区分。本文通过两种不同的特征提取方法,生成易识别的新特征来解决该问题,并利用LVQ神经网络对新的故障特征进行诊断分析。论文的主要工作有如下几个方面:1.分析了国内外三元催化器故障诊断的发展现状,对基于前后氧模型的三元催化器故障诊断等相关技术进行了综述;并在分析三元催化器的工作原理和失活机理基础上介绍了汽车尾气排放实验系统和检测方法,为三元催化器故障诊断打下基础。2.利用谱系图法和线性正则-希尔伯特黄特征提取法对采集的尾气进行特征提取,完成了故障特征的优化生成,解决了原始数据因“等距效应”引起的故障特征不易区分的问题,并将抽象的故障特征转化为直观的图像特征,有利于特征比对以及后续诊断工作的实现。3.针对LVQ神经网络故障诊断过程中容易出现死区神经元的问题,在原有权值调整算法基础上进行了改进,提升了新网络的识别率。并通过与BP神经网络、PNN神经网络对比分析,总结得出本文提出的故障诊断方法是切实可行的。