发动机是汽车的核心部件，其性能的好坏直接影响到整车的安全性和可靠性，发动机故障诊断技术已成为车辆工程领域的一个重要的研究热点。本文在总结前人研究的基础上，提出了一种基于希尔伯特黄变换（HHT）和支持向量机（SVM）的发动机噪声故障诊断技术。本文首先对发动机的常见故障进行了研究，通过分析发动机噪声的产生机理和传播途径，确定了合理的噪声信号采集方案。通过发动机噪声测试实验，采集样机在不同状态下（包括正常状态和多种故障状态）的噪声信号，建立了发动机噪声数据库。然后利用非平稳信号分析理论，对发动机噪声信号实施降噪处理和特征提取，基于虚拟仿真信号和发动机噪声信号，对短时傅里叶变换（STFT）、维格纳-威尔分布（WVD）、小波变换（WT）和HHT等信号时频分析方法进行了对比研究，分别采用小波包技术和HHT实施信号降噪和特征提取，建立了反映不同故障的特征向量。基于上述结果，对机器学习、统计学习理论、非线性和多分类SVM等人工智能理论进行了深入研究，分析了SVM的作用原理和实现过程，采用SVM对提取的故障噪声特征向量进行了模式识别，实现了发动机故障的智能诊断。研究结果表明：对发动机噪声信号而言，小波包降噪技术具有明显优势；HHT时频分辨率较高，而且不受交叉项影响，适用于非平稳噪声信号处理；SVM具有很好训练和分类能力，对于小样本模式识别准确有效；通过HHT-SVM模型的验证试验说明了本文构建的9维HHT特征向量能够很好地描述信号的故障信息，应用HHT-SVM模型进行发动机故障诊断行之有效。本课题提出的基于噪声信号的HHT-SVM故障诊断算法可拓展至其他声学故障诊断领域，具有较高的理论研究价值和应用前景。