发动机设备故障常常通过声音信号的形式表现出来,且呈现多样性、诊断难度大等特点。基于神经网络的设备声音故障诊断方法可以克服人工方法中人力成本高、诊断效率低等缺点,从而成为近年来设备故障诊断领域的研究热点。本文基于卷积神经网络和循环神经网络针对摩托车发动机声音数据开展故障诊断研究,主要工作如下:基于一种对声音情感进行分类的卷积神经网络对摩托车发动机故障诊断开展研究。对摩托车发动机声音数据采用几种统一时长的数据补长技术和数据增强方法,并提取该数据集的FBank（Filter Bank）频谱特征作为神经网络的输入,通过参数调优构建了摩托车发动机故障诊断模型。数值实验表明,在上述数据增强方法中,使用“随机降采样和常延拓”对训练集进行扩充,所训练出的模型综合性能最好,准确率、精度和召回率分别达到91.0%,92.8%和90.7%。为进一步提高故障诊断准确率,基于几种循环神经网络对上述故障诊断问题开展相应研究。在上述数据补长、数据增强方法的基础上,提取FBank频谱特征之后对其进行一阶差分。分别基于简单循环网络、门控循环单元（GRU）网络和长短期记忆网络（LSTM）对摩托车发动机声音数据构建分类模型。大量的对比实验表明,使用“随机降采样和添加白噪声”对训练集进行扩充,并通过参数调优等优化策略训练出的LSTM效果最好,准确率达到99.7%,基本满足实际工业应用需求。