本文在对汽车发动机智能故障诊断的理论与技术等内容进行综述的基础上，针对汽车发动机智能故障理论与技术所面临的主要问题进行了研究。结合汽车发动机的结构组成，建立了汽车发动机故障诊断层次分类模型，提出了采用专家系统、人工神经网络和粗糙集的集成智能故障诊断模型。基于小波分析、神经网络以及粗糙集理论等技术和方法，研究了汽车发动机智能故障诊断技术中的特征提取、模式识别、知识获取以及增量学习等关键技术。论文的主要内容如下： 结合汽车发动机的组成、结构特点，分析了汽车发动机故障类别及故障诊断特点。针对汽车发动机这样的典型的复杂往复机械，建立了汽车发动机故障层次分类诊断模型，降低了汽车发动机故障诊断问题的复杂性。提出了采用专家系统、人工神经网络和粗糙集的集成智能故障诊断模型来具体实现所提出的汽车发动机层次分类诊断模型，为汽车发动机的多模型、多方法集成智能故障诊断技术的实现提供了一条新的途径。 汽车发动机的振动信号中包含着丰富的状态信息，振动信号分析一直是汽车发动机故障诊断最为有效的手段之一。根据汽车发动机振动信号特征难以提取的特点，提出了基于时域分析和小波分析技术的特征提取方法。应用小波变换来进一步分析信号的时-频特性，提出了汽车发动机振动信号处理中小波基函数的选择原则，并依此确定了合适的小波基，利用小波包分解获得了振动信号的时-频特征参数。在建立了汽车发动机缸盖振动信号的信息模型的基础上，阐述了配气机构的典型故障-气门间隙异常的振动诊断机理，以汽车发动机缸盖振动信号为例，提取出了用于刻画振动信号特征的参数，为后续的智能故障诊断技术的模式识别奠定了基础。 汽车发动机的结构复杂性决定了其征兆域与故障域之间映射的复杂性，在分析粗糙集和神经网络集成技术的基础上，提出了适用于汽车发动机故障诊断模式识别的粗糙神经网络，阐述了粗糙神经网络的结构和学习方法。该网络采用一对粗糙神经元取代了传统神经网络中的神经元，使得神经网络的输入拓展成一个连续的实数区间，增加了神经网络的信息理解能力。并将其成功应用于汽车发动机气门间隙的故障诊断过程中，诊断结果表明，粗糙神经网络的这种结构，不仅能够准确地诊断气门间隙故障，而且其诊断性能也优于传统的BP神经网络。 在描述汽车发动机状态的数据集中，由于一些主、客观原因，常含有一些不完备的信息，针对故障诊断问题的不完备性，提出了分辨矩阵基元的概念，以此为基础，定义了面向对象-极大相容块的分辨矩阵，给出了利用定义的分辨矩阵求取约简的方法。提出了一种面向对象-极大相容块的故障诊断规则获取方法，用于从不完备故障诊断决策表中直接获取简洁、直观的诊断决策规则。并以柴油发动机燃油喷射系统的故障诊断实例说明了该方法的可行性和有效性。 为了解决汽车发动机智能故障诊断的自学习和知识自动更新问题，提出了一种适用于汽车发动机故障诊断的增量学习策略，使得所提出的知识获取技术不仅能够从包含不确定信息的故障诊断问题中进行诊断知识的发现，而且能够在运行过程中进行自动学习和知识获取，不断丰富和完善其诊断能力，为智能故障诊断的知识获取和增量学习问题的解决提供了一个可行的方法。