电动后视镜在汽车中愈发普及。电动后视镜驱动器作为电动后视镜的核心部件,相比于传统机械式驱动机构更容易发生故障,导致电动后视镜无法转动到目标位置,严重影响驾驶员的视野范围。目前,大部分生产电动后视镜的汽车零部件厂商缺乏自动化的电动后视镜驱动器的检测方法与检测设备,使用人耳听音进行判断。由于人耳听音判断具有极强的主观性,容易使得故障电动后视镜驱动器流入市场,造成恶劣的影响。本文将电动后视镜驱动器作为研究对象,针对其工作时的振动信号分析,进一步的研究故障诊断的方法,开发对应的故障诊断系统。主要研究内容如下:（1）针对汽车电动后视镜驱动器振动信号具有非线性、非平稳的特点,且故障特征难以提取的问题,提出一种改进的集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）-自回归（Autoregressive model,AR）功率谱估计的模型,结合支持向量机（Support Vector Machine,SVM）用于故障诊断。在改进的经验模态分解方法中,增加了利用峭度系数与相关系数对分解后的本征模态分量（Intrinsic Mode Function,IMF）进行筛选,剔除了虚假成分;对有效本征模态分量成分进行自适应功率谱估计,并获得累加谱;提取累加谱中递增频带的分界点与振幅作为特征向量进行支持向量机的训练与分类。结果表明,该方法能够达到94.3%的平均总体识别准确率,平均消耗时间46.1s,与其他传统经验模态分解方法相比,有较高的准确率。（2）利用改进的经验模态分解方法分解出的信号进行振动信号的重构,采用对称极坐标变换得到镜像对称的雪花图片,进行灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）特征的提取;结合K-means聚类算法,提供了一种将三类电动后视镜驱动器样品振动信号进行分类的可视化方法。（3）讨论了电动后视镜驱动器故障诊断系统的硬件部分参数选型及实验台架的搭建。确定了信号采集板卡、信号放大器、振动信号传感器的参数;明确了测试电动后视镜驱动器的运动规律并通过实验的方式确定振动信号的测点位置,作为上位机软件程序编写的硬件基础。（4）设计并编写了电动后视镜驱动器故障诊断系统的上位机程序,完成了参数设定界面、历史结果判断界面、波形图形分析界面三个主要界面的设计。将电动后视镜驱动器运动控制与振动信号采样的程序与实际自动化设备相对应,调试系统参数,设计并进行了自动化设备与人工测试相对比的实验。实验结果表明,针对汽车电动后视镜驱动器故障诊断的问题,本文所设计的自动化测试设备相比人工听音检测方法具有更高的识别准确率。