随着近些年来全世界汽车保有量的不断增长及汽车结构的日益复杂与完善，传统的汽车维修方法已经不能适应现代汽车的发展，因此智能化地对汽车进行故障诊断已成为广大学者研究和学习的重要课题。在当今社会，汽车带给我们方便快捷的同时，也带来了越来越多的坏处，例如交通事故、环境污染等。针对环境污染，各地相继出台了一系列限车、限排措施，排放法规也越来越严苛。要有效控制汽车尾气的排放，首要任务就是在汽车维修过程中，找到更加科学、智能、快捷的故障诊断方法。神经网络具有对外界的输入样本有很强的识别分类能力和联想记忆能力，因此将这些能力应用于汽车发动机故障的诊断中，可使得汽车发动机电控系统故障诊断过程更加快捷精准。
　　本文就神经网络在汽车电控发动机的故障诊断领域展开研究。本文介绍了神经网络的基本概念、神经网络的三种学习方式、神经网络的四种类型及神经网络的四种学习规则。针对神经网络（本文主要以BP网络、RBF网络以及Elman网络）在以往学习训练过程中存在的一些缺点，提出了改进。本文以广本雅阁汽车发动机在正常工作状态、失火轻微和失火严重三种状态下的废气(CO、2CO、NO、HC、O2)排放量为训练样本集，运用训练样本集对上述三种网络进行训练，取三个样本对故障诊断系统进行了功能验证。通过对仿真结果的比较可知，在本文涉及的三种神经网络中，虽然都能满足故障诊断的需要，但BP神经网络的诊断结果低；采用Elman网络虽然收敛速度比较快，能够克服前向网络局部收敛的缺点，但诊断结果的误差较大；与BP、Elman神经网络相对应的是，RBF神经网络的诊断结果在诊断的准确率及花费的时间方面表现得更优秀。最后对三种诊断方法进行对比，验证结果表明：在汽车发动机电控系统故障诊断过程中，RBF网络在训练速度和泛化能力上相比其他两种网络具有一定的优势，有着较好的应用前景。最后，依据实验研究总结出的规律以及一些重要的实验数据，深入到维修企业现场，进行实车故障诊断维修，验证了实验研究结论的正确性。