柴油机是一种常见的动力设备，它工作是否正常直接关系到整个设备的运行状态，对其进行状态监测和故障诊断识别具有重大的意义，可以避免不必要的损失。一般柴油机的工作环境恶劣，采集的信号中背景噪声比较大，一部分有用信号被强噪声覆盖，在进行故障分析前需要对其进行降噪处理。粒子滤波技术是新近发展起来的基于模型的状态估计技术，在深入研究粒子滤波原理的基础上将其应用于柴油机振动加速度信号降噪处理中。利用粒子滤波技术进行降噪，需要知道信号的模型和噪声的统计特性，本文的处理方法为：先对振动加速度信号进行EMD平稳化处理，取分解的第一个IMF分量和残余进行信号重构作为有效信号，再建立AR模型，将此模型的系数作为粒子滤波状态方程的系数；在了解小波变换降噪原理后，将小波变换阈值降噪思想用于提取噪声信号中，将提取的噪声信号用于粒子滤波观测方程中。在上述理论分析的基础上，首先对振动信号进行预处理，包括消除趋势项、剔除奇异点、信号平稳化、AR建模等。之后，采用基于神经网络的重要性权值调整的粒子滤波算法NNWA-PF对预处理后的振动信号进行降噪、小波包能量谱提取，将提取到的能量谱作为特征向量用BP神经网络对其进行故障模式分类识别。本文对经过粒子滤波降噪的数据和没有经过处理的数据分别用BP神经网络进行诊断，之后进行训练、测试和诊断。结果说明经过NNWA-PF降噪后的数据诊断效果比较好，也证明了基于神经网络粒子滤波降噪的效果较好。