由于柴油机在日常生产中占据了重要的地位，促进了柴油机的故障诊断技术在近几十年来迅速的发展。但柴油机的本身结构复杂性，使故障形式呈现多样性，加上工作环境恶劣，信息采集系统的精度等影响，导致柴油机的故障诊断识别率不高。如何提高柴油机故障诊断准确率和效率，是近几年来国内外学者主要研究课题。小波包是比较有效提起原始信号的特征信息方法之一；局部线性嵌入（LocallyLinear Embedding，LLE）算法是针对非线性信号特征矢量维数的优化方法，这种维数优化并不是仅仅在数量上简单的约简，而是在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间上，即特征值的二次提取；信息融合技术，将不同位置传感器采集的信息进行联想、过滤、联结和合成，从而得出精确的故障信息。本文将小波包、LLE以及传感器信息融合，相结合的方法进行故障诊断研究，从而提高故障识别率。首先，本文通过对柴油机主要故障形式，振动信号特征的分析，应用小波包能量谱分析方法提取各测点的特征值，从而形成非线性的高维空间。根据各个测点振动信号的特征值，应用局部线性嵌入算法对柴油机进行测点优化。其次，重点研究了LLE对高维特征向量优化的问题，通过对现有的维数约简的方法进行归纳总结，针对不足之处，从而提出改进方法：改进LLE算法，可以优化邻域参数k，能有效的区分不同故障类型的数据。最后，将优化后的低维向量进行特征值融合，并输入到SOM-BP神经网络中进行故障诊断，通过对比优化前后特征值融合在神经网络中的结果，表明本文研究的故障诊断系统，具有较高的故障识别率。