随着信息技术的飞速发展和智能机舱理念的提出,船舶制造正从自动化向智能化发生转变。船舶柴油机作为整条船舶的“动力源”,存在设备种类多、工作环境恶劣、失效模式错综复杂等情况,导致柴油机容易出现使用效率低、可靠性差等问题,直接影响到整条船舶的航行安全。因此,对柴油机运行状态的准确识别十分重要。尽管机器学习的发展推动了智能诊断技术的发展,但目前传统智能诊断技术需要人为花费大量时间和精力设计合适的特征提取算法,显然无法满足现代航运对智能化的发展要求。反观深度学习中的卷积神经网络技术能够自适应提取数据特征并完成智能诊断,克服了传统智能诊断技术的固有缺陷,使机械诊断变得更加准确、智能。本文以R6105AZLD型船舶柴油机为研究对象,基于经验模态分解和阈值函数对振动信号降噪预处理方法进行了研究,并基于卷积神经网络技术探究了智能诊断方法。本文的主要研究内容概括如下:（1）柴油机故障诊断机理及CNN模型原理分析。阐述了柴油机组成结构及原理,研究了柴油机故障模式及特点,分析了柴油机振动信号激励源、传播路径及测点选择。探究了CNN模型原理,包括模型网络结构和模型参数训练过程。（2）鉴于采集信号中噪声对诊断模型的影响,针对柴油机振动信号提出一种改进经验模态分解算法结合改进阈值函数的降噪方法。通过对比EMD算法和改进算法EEMD,并利用概率统计自适应设定EEMD参数,结果发现改进EEMD算法有着明显优势,再结合改进阈值函数对EEMD算法分解得到的IMFs进行降噪预处理。结果表明,提出的降噪方法有效处理了采集信号中的噪声。（3）建立改进的单一CNN诊断模型。针对模型过拟合问题,采用L2正则化使模型权重更新更加平滑,采用Dropout算法使模型中神经元随机失活,防止训练数据进行复杂的协同响应。针对模型参数训练复杂问题,采用Adabound新型参数优化算法加快模型拟合速度,有效避免了模型陷入局部最优解。最后,将搭建的改进模型应用于柴油机智能诊断中,实验对比分析了不同算法优化后的诊断结果,验证了改进模型的有效性,同时探究了激活函数和模型结构对诊断性能的影响,最终建立了最优的单一CNN诊断模型。（4）建立融合集成学习的诊断模型。针对单一CNN模型存在诊断精度不稳定、泛化能力差的问题,融合集成学习对单一CNN诊断模型进行改进,建立了集成CNN诊断模型。在改进模型中,设计了随机抽样层以确保基分类器间的差异性,采用了D-S证据理论改善传统结合策略的不足。最后,将集成CNN诊断模型应用于柴油机智能诊断中,并与传统智能诊断模型和单一CNN诊断模型进行对比分析。结果表明,集成CNN诊断模型克服了传统智能诊断模型的局限性,摆脱了对人为特征提取的依赖,具有更好、更稳定的诊断性能,同时又具备比单一CNN诊断模型更高的诊断精度。