由于内燃机结构复杂、激励源众多等特点,目前尚无一套成熟实用的诊断方法能对内燃机进行准确的故障诊断,建立内燃机的故障诊断系统是人们努力的方向。本文主要以振动诊断法为主,在对内燃机进行结构和振动特性分析的基础上,针对内燃机表面振动信号的时域、频域特性和非平稳时变特点,通过对实测故障信号和正常信号的对比分析,给出了几种对内燃机诊断行之有效的特征提取方法和故障特征量,如时域分析方法和时域特征量、频域分析方法和频域特征量、时频分析方法和时频特征量以及小波包特征量。在此过程中,重点对短时傅立叶变换、Wigner-Ville分布和小波变换这三种时频分析方法进行了分析比较,将他们分别用于内燃机失火故障实例的诊断,取得了比较好的效果,证明时频分析方法在内燃机表面振动信号特征提取中具有比传统的傅立叶频谱分析更好的特征提取能力。对应用于多层前馈神经网络的BP算法进行了分析研究,并介绍了各种改进算法,采用附加动量项和自适应调整学习速率法相结合的策略,克服了标准BP算法收敛速度慢和易陷入局部极小点的缺点,在此基础上建立了基于BP神经网络的内燃机故障诊断模型,用实例验证了该模型的有效性。在综合运用上述各种方法、理论的基础上,用Visual C++和MATCOM混合编程方法开发了一套内燃机故障诊断系统,并用于生产实际。本文的研究结果表明,综合采用时域、频域、时频域和小波包特征量,建立基于BP神经网络的内燃机故障诊断系统是可行的,但是要彻底解决内燃机的故障诊断问题,还有许多工作要做,尤其是各种故障的振动机理和非平稳信号特征提取的分析研究,最后本文提出了一些有待进一步改进和完善的工作及建议。