随着汽车排放对环境的污染越来越严重,各国相继出台了一系列限车、限排措施,排放法规也越来越严苛,以达到控制汽车排放的目的。轻型汽车尾气排放的测量方法主要以整车工况法测试为主,尾气取样以定容取样法(CVS)为主。但汽车排放的改进主要集中在内燃机上,而内燃机的测试和改进主要通过内燃机台架试验来进行。这样不可避免地造成对研发汽车的内燃机反复拆装的问题。在台架试验的过程中,试验工况点繁多,且每次整车和台架之间的改装费时费力。应用数学建模的方法精确计算内燃机排放虽然可行,但实际上影响内燃机排放的原因繁多,十分复杂,所以计算建模的难度很大。本文基于以上几种手段存在的问题提出基于少量试验,不用详细数学建模预测内燃机排放性能的方法,并且基于此种方法以及简单的物理计算推算出汽车工况法排放。本文主要工作为：1.详细分析内燃机台架试验的过程和结果,根据测试的数据,应用GT-power软件,建立对应机型的GT-power模型。2.在仔细研究和分析神经网络理论以及内燃机的排放理论的基础上,提出应用BP神经网络进行内燃机排放台架试验模拟的模型。并应用遗传变异方法增加BP神经网络的容错性和精确度。3.研究轻型汽车在10-15工况法标准下测试循环中的汽车以及内燃机的受力情况,建立轻型汽车工况法下对应内燃机工况数学模型。4.应用神经网络演算轻型汽车工况法下的排放。5.在ADVISOR中对汽车建模,验证神经网络模型的正确性。本文基于人工神经网络的泛化能力,通过建立基于遗传算法的以内燃机扭矩和转速为输入端,内燃机的排放、油耗数据为输出端的神经网络模型,计算出内燃机尾气排放的数值。本文应用生物遗传算法对传统的BP神经网络进行了优化,提升了人工神经网络的泛化能力。再将建立的网络应用于整车工况法排放中,演算了汽车在10-15工况法下排放的过程。综合本文研究,该方法为汽车排放的研究初期提出了一种新的手段,通过此种方法可以在一定程度上减少内燃机和汽车排放研究时间,具有一定的理论意义和工程应用价值。