发动机可变正时系统（VVT）可根据汽车当前的行驶状况，对发动机凸轮相位进行调节，使进气量可根据发动机的转速不同而改变。VVT系统最关键的部件是OCV阀和VVT执行器。OCV阀的制造和检测由于其技术要求高，涉及学科多，产品精度要求严格而显得尤为困难。目前OCV的测试主要存在合格性误判和测试效率低下的问题。针对上述问题本文提出了利用小波变换、人工神经网络方法解决测试结果存在误判的问题，以及利用变量筛选和建立预测模型的方法解决测试效率较低的问题。首先，对OCV阀的原理特性进行分析，作为研究改进测试方法的理论基础。分析了现有测试方法中六类不合格OCV阀的特点，并指出了产生上述两个问题的原因。其次，由于当前OCV阀测试过程中，测试台对采样的流量数据分析存在不合理性，对产品测试结果存在误判的问题。因此提出了利用频域分析的方法对采集的测试数据进行分析，并选择小波变换方法分析流量数据以判断产品优劣。由于目前OCV阀的测试采集数据会随系统环境而发生偏移，测试方法适应性较差。本文进一步提出了将模式识别的方法用于OCV阀的检测，主要方法是利用人工神经网络的非线性和其自适应、自学习能力能在不同的系统环境下对产品进行分类，达到检测产品优劣的目的。最后，由于目前OCV阀的测试效率低下严重影响了产品的制造能力。研究发现由于测试对象动态响应缓慢，而测试中需要采集较多的工作点而致使测试时间过长。对此本文首先分析了基于BP神经网络的变量筛选方法挑选出测试过程中采集的冗余流量数据以减少等待这些流量数据稳定的时间。又通过研究采集流量数据的特点，建立稳定流量预测模型，并通过实验提高模型的预测准确度和验证了模型的合理性。使用该模型可对稳定时的流量值进行预测，从而缩短测试等待时间。最终，通过上述研究对测试方法进行了改进，将OCV阀检测正确率提高到了94%，并通过结合人工判断的方法消除了误判，且相对于改进前大幅提高了人工效率。将测试的软件时间缩短了77秒，整体测试效率提高了50%以上。