传统的异响类型诊断方法大多是以领域专家和操作者的经验知识为核心,存在知识获取困难、推理效率低下、自适应能力差等不足。同时由于异响类型征兆和异响类型之间常存在着复杂的非线性关系,使得诊断系统的数学模型很难获取。然而,人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点,为解决这一问题开辟了新途径。本文以JS某型摩托车发动机为研究对象。以连续小波提取发动机声信号的能量特征作为输入特征值,建立相应的BP神经网络运用标准BP算法对几种异响类型进行分类,实现模式识别的目的。然而由于建立的神经网络采用标准BP算法时存在对样本的输入顺序敏感、收敛速度缓慢、易陷入局部极小值等缺陷,为了克服这些不足需对标准BP算法进行改进。本文针对标准BP算法存在的不足,分别采用打乱样本输入顺序、添加附加动量因子、学习率自适应调整和基于Levenberg-Marquardt法进行改进。这几种改进措施分别对应了加动量项BP算法、附加动量—自适应学习率BP算法及基于Levenberg-Marquardt算法,本文对上述三种改进算法及标准BP算法进行分析对比。最终,通过对比几种算法和不同网络结构的诊断速度和诊断准确率,得出了最适合的神经网络结构为三层网络:输入层单元数为11、隐层单元数为20、输出层单元数为2;输入层—隐含层传递函数为tansig、隐含层—输出层传递函数为logsig、训练函数为trainlm;最适合的算法为基于Levenberg-Marquardt算法。最后,由于编写相应算法的M文件有些繁杂,本文为了提高人机互动性,应用MATLAB的图形用户界面(GUI)设计开发了发动机异响类型诊断系统。