柴油机作为汽车、船舶、飞机等的核心动力部分，是最常见的机械设备，柴油机工作性能的好坏直接影响整个工业系统的正常运行，及时发现、迅速诊断故障，并进行故障排除，具有重大的实际意义。局域均值分解（Local mean decomposition，LMD)作为一种新型时频分析方法，分解得到一系列的具有物理意义的PF分量，在端点效应抑制等方面都优于经验模态分解。通过研究局域均值分解中滑动跨度、端点效应等因素对分解的影响，本文提出一种衰减极值点延拓方法来替代镜像延拓方法应用于局域均值分解。同时还提出“反衰减信号”这一概念应用到优化局域均值分解的端点效应。信号降噪在柴油机故障诊断中是一个重要的步骤，本文提出一种改进的局域均值分解和小波降噪结合的降噪方法，并与奇异值差分信号降噪方法、小波变换的信号降噪方法和基于集合经验模态分解（Ensemble empirical modedecomposition, EEMD）和小波的信号降噪方法进行对比。针对柴油机的各个工况的振动信号，利用该降噪方法和其他三种降噪方法进行降噪，并利用信噪比和均方根误差进行比较降噪效果。详细研究了基于局域均值分解和神经网络的柴油机故障诊断过程，针对某V12柴油机正常工作工况、左1缸喷油泵渗漏、右6缸断油、供油提前角增大2.5度、空气滤清器堵塞5种工况的振动信号，利用改进的局域均值分解对降噪后的信号进行分解，得到一系列的乘积分量，求取前5个分量的能量作为特征向量，来对径向基神经网络进行训练，使用训练好的神经网络对各种工况的特征向量进行故障识别。