在现代这个汽车已经成为每个家庭必不可少的代步工具的社会里,汽车故障的识别和诊断变的越来越重要。汽车工作的动力由发动机来提供,发动机工作的环境不仅复杂、多变,还经常是高温高压,导致其具有较高的故障发生概率。若能在发动机不解体的情况下,对其故障进行诊断排除,不仅会提高汽车经济性、动力性和安全性,还会降低维修成本,提高使用效率。发动机气门间隙异常和某缸缺火属于发动机常见故障类型,本文以其作为研究对象,提出了通过小波包去噪分析的不同神经网络故障诊断方式。本文建立了发动机振动检测系统,以气门间隙异常故障和缺火故障对发动机故障进行模拟,采集了发动机在正常工况和故障工况下的振动信号。由于发动机本身结构比较复杂,且在信号采集过程中受环境、试验设备和人工操作等因素的影响,振动信号在采集过程中含有较多噪音,这些无用信号影响神经网络对发动机故障识别的精度,所以本文首先利用三种不同阈值去噪的方式来去除信号在采集过程中掺杂的噪声信号,以此来提高信号的信躁比；然后利用小波包对去除躁声后的信号进行分解和重构,做归一化处理,提取特征向量,最后利用BP和RBF神经网络对发动机预设故障进行故障诊断。在利用神经网络对故障进行诊断分析的时侯,介绍了BP神经网络和RBF径向基神经网络的相关基础知识,建立了应用于发动机振动信号故障识别的BP神经网络和RBF神经网络智能识别模型,通过实验结果比较了BP神经网络和RBF神经网络的识别效果。最后通过分析两种神经网络的训练和识别效果得出,RBF神经网络有参数调整简单、训练时间短的特点,BP神经网络具有收敛缓慢、训练时间长,但推广能力较强的特点,两种神经网络逼近能力基本相近。