发动机故障诊断技术的发展趋势是诊断的自动化与智能化，其关键问题是对采集的信号数据进行分析与特征提取。传统的数据分析和特征提取方法通常基于向量模式，可能丢失数据之间的结构信息及破坏数据间相关性，影响后续的故障模式识别。针对此问题，本文提出了基于张量分解的发动机数据特征提取方法，并在此基础上进行了发动机的故障诊断。　　本文利用GT-Crank软件，建立了发动机的虚拟样机，通过改变相关参数，对发动机单缸失火和轴系不对中两种故障进行了模拟。得到了发动机正常工作、单缸失火和轴系不对中三种状态下包含曲轴端转矩、飞轮惯性力矩、曲柄销连杆力和连杆轴向力等信息的数据。应用张量基础理论，分析了从低阶张量到高阶张量的表达过程，将上述数据按三种工况分别构建成了形式为“信号类别×曲轴转角×转速”、大小为4×720×31的32个三阶张量型发动机状态样本，为后续张量分析与分解提供了基础。通过对张量Tucker分解问题的分析，给出了HOSVD张量Tucker分解算法和ALS张量Tucker分解算法的基本原理和算法步骤，提出了HOSVD-ALS联立张量Tucker分解算法，并分别采用三种算法对样本进行特征提取，得到了96个4×8×2的核心张量样本。将样本分为训练集和测试集，使用决策树、支持向量机和K-近邻三种分类模型对未进行特征提取和使用张量Tucker分解算法进行特征提取后的数据进行模型学习与分类识别，以混淆矩阵图、分类准确率和模型的学习时间为评价指标将分类结果进行对比分析。　　研究结果表明，HOSVD-ALS联立张量Tucker分解算法对张量型数据特征提取后，再进行分类识别得到的平均分类准确率为94.44％，高于未进行张量构建与分解的直接向量化方法、单独使用HOSVD张量Tucker分解算法和单独使用ALS张量Tucker分解算法得到的分类准确率，其准确率分别为93.06％、87.50％、82.64％;使用HOSVD-ALS联立张量Tucker分解算法、单独使用HOSVD张量Tucker分解算法和单独使用ALS张量Tucker分解算法后的数据输入分类模型的平均学习时间分别为0.132s、0.128s、0.131s，非常接近且大大快于直接向量化方法的1.156s。充分验证了基于张量分解的发动机特征提取方法的有效性。