柴油机作为机械动力的主要来源被使用广泛,其工作状态的优劣直接影响到整个工作系统的状态。如有故障可能对工作人员造成不可估量的伤害和损失。因此对柴油机进行故障诊断方法的研究是非常有必要性的。本文使用了多种机器学习的方法对柴油机故障诊断进行了研究。首先对柴油机以及其各个系统的故障机理进行了总结归纳,形成了基于本文柴油机故障诊断类别的故障树。利用AVL BOOST软件,对中速六缸四冲程柴油机进行建模仿真。获得了包含11种柴油机性能故障的故障样本,为后续柴油机故障诊断方法的使用打好了基础。之后分别使用了BP神经网络、随机森林（RF）以及支持向量机（SVM）三种传统机器学习的方法,对柴油机故障诊断样本集进行故障诊断,诊断准确率分别为83.4%、95.2%和51.35%。基于每种方法的模型特性对各方法进行了参数优化,优化后三种方法诊断准确率分别为100%、96.3%和99.32%。对比几种诊断方法的诊断准确率以及训练时间,结果表明BP诊断准确率最高,PSO-SVM训练速度很快的同时,诊断准确率也非常高。然后对柴油机涡轮增压器转子部分故障数据集,即转子轴心轨迹图,进行了数据增强。将少量的数据扩增到4种转子故障轴心轨迹图各3000个的大量样本集,满足了使用机器学习方法所需要的充足样本集的要求。对数据增强的样本集进行了图像识别,并改变参数进行优化,对比后发现使用神经网络方法对轴心轨迹图进行图像识别诊断得到诊断准确率较低（60%）。因此,后续使用深度学习方法中的卷积神经网络方法对转子轴心轨迹图数据集进行训练诊断,并基于VGG16的迁移学习卷积神经网络结构进行了训练诊断试验,诊断准确率相比原结构较低（93%）。对比三种卷积结构,发现两组卷积结构的卷积神经网络对该数据集的诊断结果最好（99.9%）。综上所述,本文基于传统机器学习和深度学习,较为系统地研究了柴油机性能故障与增压器转子不同故障类型的诊断方法。研究成果对柴油机故障诊断领域具有一定的意义。