汽车发动机是一个复杂的机电设备,它由机、电、液等不同的子系统组成。发动机是汽车的动力源,汽车的一些基本性能都与发动机有着直接或者间接的联系,汽车故障的40%都是来源于发动机,因此在发动机不解体的情况下,对所发生的故障做出及时准确的判断,判明故障部位、找出故障原因、提出故障解决办法,减少汽车修理的盲目性就显得尤为重要了。在故障诊断过程中,由于诊断对象的复杂性、测试手段的局限性、知识表达的不精确性,尤其是汽车发动机这一类复杂的诊断对象,其构件之间及构件内部可能存在多故障、关联故障等复杂形式,故障征兆和故障原因之间的因果关系不一定是确定的一一对应关系,而是表现为很强的随机性和不确定性,很难确切的判断出故障发生的真正原因,因此传统的故障诊断技术越来越难满足人们对大型复杂机电设备提出的可靠性要求,这就需要我们寻找一种适合分析和解决不确定性问题的故障诊断方法,以贝叶斯方法为理论基础的贝叶斯网络在解决不确定性问题上具有很多优势。本文以发动机故障诊断中不确定性问题为研究背景,针对汽车发动机的工作原理及其故障结构特征,采用了质朴型拓扑结构建立了发动机供油系统故障信息贝叶斯网络模型,同时以机器学习中的增量学习思想为基础提出和研究了在线式贝叶斯网络学习方法,并利用该方法实现了对发动机供油系统网络模型的不断学习,然后通过实验分析验证了在线式贝叶斯网络故障诊断学习方法比传统的贝叶斯网络学习方法具有更高的故障诊断准确率,并在此基础上利用Microsoft Visual C++开发工具完成了对发动机故障诊断系统相应模块的分析设计与开发,最终将该系统应用于发动机供油系统的故障诊断中。