对发动机运行时产生的声音进行采集和分析是了解发动机状态的一条有效途径,因此发动机声信号的识别是发动机状态检测与故障分类的重要组成部分。针对目前我国对发动机运行时声音是否正常还采用人工听诊的状况,本文提出了一种用小波去噪及概率神经网络为主要信号处理和模式识别的发动机声信号识别方法。论文首先剖析了小波变换中连续小波变换和离散小波变换各自的概念和性质,为小波去噪的引入打下了基础。通过详细对比分析模极大值去噪、小波阈值去噪和小波空域去噪3种方法的优缺点,指出了小波阈值去噪是一种较优的选择。又针对发动机声信号具有突变、不连续点的特征,小波阈值去噪会产生伪Gibbs现象,论文提出了运用基于平移不变小波的阈值去噪法,并确定了该方法中平移量的大小和解决了阈值函数的选取问题。通过对加噪后的blocks信号进行仿真分析,确认了平移不变小波去噪具有很好的去噪效果。论文对概率神经网络在发动机声信号识别中的共性理论进行了分析,详细描述了人工神经元的概念、神经网络的分类及学习方式。在深入剖析Bayes理论和Parzen窗理论的基础上,对概论神经网络的特点进行了总结,并对其学习算法进行了系统的描述。论文选取某单缸四冲程发动机的声信号为研究对象,描述了该款发动机的基本技术参数、声信号的类型(以异响类型为主),确定了发动机声信号的采集工况、测点位置和测试环境,分析了测取声信号的硬件和软件,为能够正确采集发动机声信号做出了规范。基于以上结论,本文对正常、箱体异响、右盖异响、左盖异响四种状态的发动机声信号做出了滤波前、后的时频对比分析,确认了小波去噪的必要性和可以用1/3倍频程值作为发动机声信号的特征向量。通过将特征向量代入概率神经网络中训练和预测,结果表明,小波去噪及概率神经网络在发动机声信号识别中取得了很好的效果。