随着国家法规逐步严苛与消费者舒适性需求的日益提升，改善内燃机的NVH性能变得越来越重要。由于内燃机的结构复杂性和传递路径多样性，燃烧噪声的传统分离方法在计算精度方面具有一定局限性。因此通过引入现代信号处理技术，实现对燃烧噪声传递函数和机械噪声的准确分析，对发动机总噪声的预测及其减振降噪具有重要意义。
　　本文从燃烧噪声的产生机理出发，采用时间窗函数获取各个工况下的燃烧段相关的缸压和声压信号。随后采用缸压分解理论进行缸压信号的预处理，采用最小二乘法-多项式拟合消除噪声信号的趋势项干扰。并在预处理基础上进行时频域转换，结合多元线性回归函数计算不同喷油策略下的燃烧噪声传递函数。对比分析多方向燃烧噪声传递函数计算准确度，总结各喷油策略对燃烧噪声传递函数计算结果的影响规律。结果表明：不同工况的燃烧噪声传递函数在各测试方向上具有一致性，测试发动机的各测试方向的燃烧噪声传递函数主要中心频率具有一致性；在喷油策略中调整主喷定时计算燃烧噪声传递函数得到的各工况下一致性结果最好，整体上调整主喷相关参数计算稳定度优于调整预喷相关参数；同时燃烧噪声与最大缸内压力升高率有密切的正向相关性。
　　此外，本文引入改进遗传算法实现对机械噪声分离和燃烧噪声传递函数的计算，并对比传统多元回归算法计算结果，阐明了改进遗传算法在寻优方面的优势。根据改进遗传算法模型，实验通过调整主喷定时计算得到了燃烧噪声传递函数，对比多负荷燃烧噪声传递函数计算值发现其具有负荷一致性规律。并应用传递函数负荷一致性规律，实现对总噪声的准确预测。结果表明：通过遗传算法可以实现较少测试数据的燃烧噪声传递函数和机械噪声的准确预测，对测试总噪声的计算偏差可以达到2%以内；试验证明通过发动机负荷变化得到燃烧噪声传递函数与采用调整喷油策略得到燃烧噪声传递函数基本一致，为发动机燃烧噪声的预测提供了一种简单而有效的方法。
　　为进一步简化不同工况下发动机总噪声预测方法，本文以RBF神经网络传递结构类比发动机的机体振动噪声传递过程，提出以频域下缸压激励和测试方向声压频谱为输入的RBF神经网络模型。通过单负荷不同喷油策略的数据学习，实现对其他负荷工况的总噪声进行直接预测，总体上预测精度可以达到97%以上。