根据汽车之家网站数据显示,北京市PM2.5的污染源中有31.1%是来源于机动车辆。而一旦机动车辆出现故障运行,将导致增加污染物的排放,极大的影响国家大气污染治理的效果。目前机动车辆故障维修,主要靠维修人员使用车辆诊断设备读取车辆各传感器参数和车辆故障代码的数据,作为故障判断依据来维修车辆。而维修人员的个人技术能力,直接影响对车辆故障准确判断。导致行业对车辆维修效率不高,不及时等问题。而机器学习技术可以通过学习模型参数,在图像和语音识别等领域的分类预测问题有着很好的应用。所以,本论文通过公司现有诊断设备采集机动车车辆数据,整理出某一类车型数据作为训练和验证数据,在分析和研究了车辆数据和多种人工智能诊断技术的基础上,提出了一种将现有用于图像识别的神经网络与现有诊断知识相结合的车辆故障诊断算法。本论文主要在以下几个方面做了研究和探讨。（1）通过对车辆故障诊断知识的理解和分析,使用公司现有维修设备采集诊断数据。采集诊断人员使用过程中的车辆诊断数据和故障码。理解车辆维修人员使用诊断设备修理车辆的流程和基本逻辑,根据设备在使用过程的通讯数据收集并保存下来。（2）由于采集到车辆故障诊断设备的数据种类繁多,通过SPSS MODELER刷选出型号P949V732作为试验对象。利用机器学习中反向传播（back propagation,BP）神经网络可以通过调整隐藏层节点数、激活函数、学习率、正规化,通过对比调整后的训练结果,得到最优的BP神经网络模型。（3）将图像识别中的卷积神经网络（Convolutional Neural Networks,CNN）修改后移植到车辆故障诊断的预测,得到训练模型。然后利用训练得到的模型对车辆诊断数据预测结果,验证了原始LeNet-5（文中用LeNet表示）模型对车辆故障诊断算法不适用,同时根据AlexNet、VGGNet神经网络的优化思路,提出卷积网络CNN和BP神经网络组合模型,并验证优化后的网络模型的有效性。得出的准确度达到96.7%的结果。可以认为重构后的卷积神经网络在车辆故障诊断算法有较好的故障预测能力。在实际运用中可以帮助车辆维修人员提高对车辆故障问题的预判。