发动机设备属于典型的多层次系统,各部件之间互相影响关系复杂,其工作状态往往受当前环境、运行条件等诸多不确定性因素的影响,这些复杂特性决定了发动机故障存在多样性和模糊性的特点,这使得传统的诊断方法故障识别率较低,对于复杂情况往往需拆机检查,进一步增加了停机造成的经济损失。因此,在发动机不解体的前提研究一种快速、准确地故障诊断方法变得十分必要。针对发动机故障检测的难点,本文将信息融合技术应用于发动机的故障诊断领域,给出了一种将人工神经网络和D-S证据理论相结合的决策级信息融合方法,该方法主要由故障信号的特征提取、故障的初级诊断和故障的决策级融合诊断等部分构成。对于故障信号的特征提取部分,本文提出了一种基于小波细节系数自相关分析的消噪方法,借助Mallat小波将原始信号进行噪声分离,更大程度的保留了故障信号中的有用信息,为故障诊断的时频特征提取奠定了基础。为了更全面准确诊断故障,本文还引入了发动机瞬时转速和气缸压力信号特征,为后续诊断提供了三种不同的特征矢量,以便于进行融合诊断。在故障的初级诊断阶段,分析了传统BP网络的局限性和不足,对其逐一进行改进优化,并通过发动机故障实例验证了改进后的BP神经网络在故障诊断中的有效性。为了进一步提高故障诊断准确度,在上述研究的基础上,本文采用D-S证据理论对局部诊断结果进行决策级融合,并针对融合过程中存在的证据冲突问题,提出了加权优化方法。最后,本文将改进BP网络与加权D-S证据理论相结合的数据融合方法应用于发动机的故障诊断中,实验结果表明,该方法能够对发动机燃油系统中的燃油泵失灵、喷油器损坏和燃油压力调节器损坏等故障进行有效诊断,得出的故障诊断结果与实际故障相吻合,充分验证了该方法在发动机故障诊断中的可行性。