汽车是一个结构相当复杂的机械系统，其由数万个零部件组成，汽车的一些基本技术性能都直接或间接与这些零部件的性能密切联系。因此对汽车各个部件进行综合性能的检测与故障诊断对汽车的正常运行将是十分重要，特别是在对发动机等总成在不解体的情况下，能够及时准确地对汽车当前技术状况作出准确地判断，这将无疑具有十分重大的意义。　　传统的故障诊断专家系统，是以人类专家的水平去解决领域中的困难问题，是一种基于符号推理的智能诊断模型。其能够在系统不确定、不完备的领域知识下进行推理，而且能对问题求解过程作出解释。但是这种传统的故障诊断方式存在对知识获取难，知识台阶窄以及推理能力弱等局限性。　　而人工神经网络则是由大量的神经元相互连接而成的复杂的网络，其具有很强的非线性适应性信息处理能力，网络的知识可通过训练获得，具有学习、归纳、记忆等特点；也具有较强的容错能力及鲁棒性等长处。　　本课题对人工神经网络的基本原理和误差反向传播的学习算法进行研究，特别对目前在故障诊断方面十分流行的BP神经网络的算法和流程以及算法的改进进行了研究分析。在此基础上利用发动机的排放的四种不同的尾气作为故障诊断参数,建立故障样本；同时选取不同的网络隐层数建立了不同的网络结构，并利用其对网络进行学习训练，最后又通过训练好的网络对实际的故障进行了诊断，验证了利用神经网络不仅正确而且能够快速的对汽车的故障进行诊断。　　对于如何利用神经网络的优势和专家技术相结合来实现对智能诊断技术的应用也进行了研究和设计，并设计了诊断流程、逻辑推理流程以及数据库的结构，对二者相结合的途径和方法进行了分析,提出了神经网络与专家系统结合的思路。