由于单一诊断方法或算法难以应对复杂情况的诊断,开发基于故障树（分析）（Fault Tree Analysis,FTA或FT）逻辑结构的贝叶斯网络（Bayesian Network,BN）模型是故障研究领域的热点,故障树与贝叶斯网络在建模与量化计算方面优势互补,具有很强适用性和工程应用价值。但当前汽车故障领域开发基于故障树分析的贝叶斯网络（FTA-BN）研究尚属空白,由于厂家数据的封闭性,再引入维修案例信息（Re CK）系统海量数据更鲜有涉及。因此拟合故障树定性评估与贝叶斯定量推理的优点,解决汽车故障推理定性定量分析建模难题,快速高效诊断车辆故障,可以极大提升汽车制造商竞争力及可持续发展能力。论文将汽油机无电到良好运行全周期分解为起动供电、不能起动、运行不良三个阶段故障,沿着“汽车故障推理诊断算法研究→三阶段故障FTA-FuBN（Fuzzy Bayesian Network,模糊贝叶斯网络）诊断方法研究→Hy BN（Hybrid Bayesian Network,混合贝叶斯网络）智能诊断模型构建”的思路展开,对FTA-FuBN的车用汽油机电气故障智能诊断方法及应用展开详尽研究。针对汽车故障的层次性、关联性和不确定性特点,研究了影响因子-故障树-模糊贝叶斯网络的复杂装备推理诊断算法,包括故障树结构和参数转化为贝叶斯网络的规则,模糊贝叶斯网络结构映射构建方法和模糊参数赋值算法,给出了基于故障树和机器学习的贝叶斯网络故障推理诊断的方法与步骤。针对汽油机无电时可借鉴参考信息十分有限和可采集信息辅助手段少的特点,研究了基于故障树的多故障征兆模糊贝叶斯网络起动供电故障推理诊断方法。探明了车用汽油机一阶段起动供电故障47个故障节点机理,拟合5个显著故障影响因子的FTA路径,构建优化后的多故障征兆起动供电故障树模型,映射建立23个故障征兆和9类故障节点的起动供电故障模糊贝叶斯网络模型,根据Re CK系统近五年故障数据集3633例,对汽油机运行不良故障模型验证求解。针对汽油机不能起动时故障征兆有限、涉及面宽和牵扯面复杂的特点,研究基于故障树的少故障征兆模糊贝叶斯网络不能起动故障推理诊断方法。揭示出车用汽油机二阶段不能起动故障28个故障节点因果逻辑机理;提取6个显著故障影响因子的FTA路径,构建改进后的少故障征兆不能起动故障树模型,转化建立3个故障征兆和10类故障节点的不能起动故障模糊贝叶斯网络模型。针对汽油机运行不良时故障数据量大、干涉关系和工作机理复杂的特点,研究了基于故障树的多故障节点模糊贝叶斯网络运行不良故障推理诊断方法。探明车用汽油机三阶段运行不良的54个故障节点机理;整合7个显著故障影响因子的FTA路径,构建改进后的多故障节点运行不良故障树模型,映射建立4个故障征兆和17类故障节点的运行不良故障模糊贝叶斯网络有向无环图（Directed Acyclic Graph,DAG）。在车用汽油机全运行周期的三阶段故障FTA-FuBN推理诊断基础上,充分利用混合建模优势,构建基于机器学习和专家经验的Hy BN智能诊断模型。基于Re CK系统故障数据源样本集求解参数,对故障节点的状态进行预测,验证起动供电、不能起动、运行不良三阶段故障Hy BN模型有效性和适用性,准确率呈现一定的区别。