为满足船用柴油机大功率、高效率、低能耗、轻排放等要求,高压共轨技术已成为现代船用柴油机的重要发展方向。高压油泵作为高压共轨系统中的核心单元,是柴油机安全稳定运行的动力保障。然而,由于高压油泵结构复杂且各机械部件频繁运动,导致磨损和卡滞等故障经常发生。这些故障不但会影响轨压的建立,降低柴油机的工作效率,更会对柴油机的安全稳定运行产生威胁。因此,准确诊断高压油泵工作状态对保证柴油机安全稳定运行具有重要的理论意义与工程价值。本文以船用共轨柴油机高压油泵为研究对象,对复杂工况下的故障诊断技术开展了研究,主要工作包括以下几个方面:（1）介绍了船用共轨柴油机高压油泵的组成结构与工作原理以及以此为基础搭建的高压油泵仿真模型。阐述了现有高压油泵的常见故障并分析其成因,以仿真模型为基础,对高压油泵常见故障进行模拟并采集了蓄压腔压力信号。（2）针对特征提取不充分导致特征集无法全面、准确反映故障状态的问题,研究了一种参数优化变分模态分解（VMD）的信号分解与特征提取方法。利用VMD方法分解原始信号,并采用改进灰狼优化（IGWO）算法对VMD参数进行了寻优;从多角度对模态分量进行了特征提取并构建了多域初始特征集。通过与典型信号分解方法进行对比,验证了该方法能够成功分离原始信号中的不同频率成分,避免模态混叠和虚假分量的出现。（3）针对初始特征集中包含无关、冗余特征导致诊断精度低的问题,提出了一种基于距离评估技术与最大信息系数（DET-MIC）的特征选择方法。通过计算距离评估指标和最大信息系数将初始特征集从164维降至15维并构成最优特征子集;然后设计了IGWO优化的支持向量机（SVM）用于建立单工况下故障诊断模型。实验结果表明该方法相比初始特征集诊断准确率提升了7.5%,同时耗时降低了65.2%,证明了其能够有效实现单工况下高压油泵的故障诊断。（4）针对复杂多变工况下特征分布不一致而导致诊断精度低的问题,采用了基于迁移学习的方法进行变工况下故障诊断。以最优特征子集为基础,采用了几何空间和统计分布联合对齐（JGSA）算法对不同工况下的源域和目标域特征集进行映射,并使用K近邻算法建立了变工况下故障诊断模型。实验结果表明该方法与其他典型方法相比,准确率平均提升了9.4%,达到99.06%,验证了该方法对于变工况下高压油泵故障诊断的有效性。