随着社会进步、运输业的发展,船舶在工业经济中所占地位越来越重要。船舶的核心是柴油机,船舶航运条件复杂、多变,为保证船舶正常航行需要柴油机提供稳定可靠的动力,但是柴油机系统结构复杂,运行环境条件恶劣,故障发生率高,降低了船舶动力可靠性,为提高船舶柴油机可靠性必须对其进行故障诊断。由于传统的诊断方法诊断存在故障时间长、诊断精确度低,无法满足现阶段船舶柴油机的可靠性需求,近年来随着智能化大数据时代的来临和计算机科学技术的飞速发展以及各种智能算法的开发,一种基于智能算法的故障诊断技术被提出,并且该技术已在多个领域中得到应用。为解决船舶柴油机运行可靠性问题,本文在总结先前研究人员成果的基础上进行了以下研究。旋转机械运动就会产生振动,而振动信号通常会包含机械设备的状态性能参数信息,它是多个激励源的合成,相比较于热工参数,柴油机振动信号更能综合反映其运行状态。因此本文以中北大学发动机性能综合实验室型号为R6105AZLD的柴油机作为研究目标,以该柴油机缸盖出的振动信号为依据,进行了以下研究:（1）振动信号预处理。首先使用时域分析方法、频域分析方法对采集的柴油机缸盖处振动信号进行分析并得出相关结论,本文故障信号为周期性信号同时信号中存在噪声。因而提出信号分解降噪方法,首先使用EEMD对原始信号进行分离。再通过仿真信号验证了EEMD与VMD分离效果,同时证明EEMD还存在模态混淆问题,因而选取VMD对原始信号进行分离降噪。（2）振动信号特征提取。针对VMD分离的IMF之间还存在一定相关性同时还包含部分噪声,因此必须对IMF进行特征提取以提高诊断精确度。首先使用Fast ICA算法对分离信号进行特征提取,根据其不足选择KICA算法对分离分量进行特征提取,保证提取信号包含足够多的原始信息。（3）基于ANFIS的船舶柴油机故障诊断。针对本文故障,首先选取自适应模糊神经网络作为本文故障诊断方法。首先使用VMD算法提取数据作为模型输入,然后再使用KICA提取特征值作为模型输入,证明对分离信号进行特征提取的必要性。但是基于ANFIS方法诊断精度低、时间长,因而对该方法进行优化,使用人工蜂群算法对诊断模型进行优化。（4）基于特征融合的ABC-ANFIS船舶柴油机故障诊断。根据上章节诊断时间较长、诊断精准度不高以及人为影响过大导致诊断模型自学习能力低、泛化能力低等问题,提出对VMD分解K值进行寻优,设置不同K值分离出IMF分量,再通过皮尔逊相关系数选取IMF进行特征提取用以验证模型,根据模型诊断时间、诊断准确度两个指标得到最佳K值。最后根据以上诊断结果提出特征信息融合,把AE、PCA-KICA算法提取特征进行融合,并以此数据作为诊断模型的输入,以验证该方法可行性。