神经网络具有并行处理能力、自学习能力、自适应能力和可以逼近任意的非线性函数等特点，是解决非线性、多变量、不确定的复杂诊断问题的一条有效的途径。神经网络的这些特点使得它在故障诊断领域应用越来越广泛。汽车行业的快速发展使得汽车发动机的故障诊断问题变得越来越重要，神经网络对外界的输入样本具有很强的识别分类能力和联想记忆能力，使得其成功应用于汽车发动机故障的诊断中。　　 本文就神经网络在汽车发动机的故障诊断领域展开研究。针对神经网络在以往学习训练过程中存在的一些突出缺点，提出了改进的学习算法对网络进行训练，并根据汽车发动机实际测量数据对训练好的网络进行仿真验证。　　 本文针对BP网络、RBF网络以及Elman网络在网络训练中存在的问题分别提出了改进算法。对BP网络运用LM算法对训练过程进行改进；RBF网络的隐层中心的选择是决定RBF网性能的最重要的因素，这里给出了在一种性能优良的确定隐层中心的方法即K均值聚类法，对权值的修正采用正交最小二乘法（OLS），将上述两者结合起来来对网络进行学习训练；本文采用改进BP算法即自适应学习速率动量梯度下降反向传播算法对Elman网络进行学习训练，以克服该网络易遇到局部极小点难于收敛的缺点。　　 以EQ6102汽油发动机在无负荷时不同转速工况下其废气（CO、CO2、NO、HC和O2）排放量为训练样本集，运用训练样本集对上述三种网络进行训练，取三个样本对故障诊断系统进行了验证；并对这几种诊断方法进行了对比，结果表明：RBF网络在在泛化能力和训练速度上相比其他两种网络具有一定的优势，有着较好的应用前景。