随着全国机动车保有量的不断增加,驾车出行已经成为人们最主要的外出方式,为了安全出行,对机动车发动机进行故障检测具有重要意义的。然而传统的故障检测方法不仅需要专业的先验知识,并且检测效率低下。随着深度学习在图像、语音识别等领域应用越来越广泛,这给机动车发动机故障自动检测提供了一种新的思路。本文利用深度卷积网络对基于机动车发动机声信号的故障检测算法开展研究,同时设计和实现集采集、传输、分析于一体的故障检测系统,主要研究工作及成果如下:（1）构建了一个机动车发动机声信号数据集,该数据集包括101台大型运输车的正常和故障发动机的声信号,其中正常发动机数据包括怠速和加速两种情形下采集的声信号,故障发动机数据包括缺一个缸和两个缸不工作情形下采集的声信号。对声信号进行预加重、分帧以及加窗等预处理后,通过梅尔倒谱变换来提取声信号的梅尔倒谱系数（Melscale Frequency Cepstral Coefficients,MFCC）特征;同时为了验证网络的鲁棒性,通过切割、加噪、调音等处理对声信号进行数据增强。（2）给出了一种基于门控双卷积神经网络的机动车发动机故障检测算法。为了在梅尔频谱图中提取发动机声信号故障辨识性的特征并精确实现故障识别,本文在门控卷积神经网络（Gated CNN）基础上设计了门控双卷积网络,通过添加卷积模块和门控单元对特征信息传递过程加以控制,能够更好地保留发动机声信号特征中的时频结构信息,进而有效缓解过拟合现象并提升识别准确率。利用所构建的机动车发动机声信号数据集进行实验,对正常和有故障声信号的识别准确率最高达到了99.9%;对怠速与加速情况下的故障类型识别时准确率达到了90%以上,通过对数据集添加噪声和音频调音后的故障类型识别时仍然能取得较高的识别率,表明该算法具有较好的鲁棒性,能够为基于声信号的故障检测提供理论依据和技术支撑。（3）在所提出算法的基础上,设计实现了一个基于声信号的机动车发动机故障检测系统。该系统包括采集终端、数据库管理平台以及深度学习模型及故障诊断模块。采集终端通过采集机动车发动机声信号,一方面将其传输至服务器端,另一方面对其进行MFCC特征提取,利用载入的深度学习模型对发动机进行故障诊断,并显示声信号时域图、频域图、梅尔谱图以及识别结果。服务器端数据库管理平台的功能为对采集数据进行添加、查找和删除等基本操作,同时将接受数据统一命名进行管理。深度学习模型及故障诊断模块分为两部分,一方面构建深度学习模型,利用接收到的声信号数据进行模型训练,然后将该模型下载至采集终端;另一方面在服务器端通过训练后的深度学习模型对实时接收的声信号进行故障诊断。