[目的]针对传统机器学习在拖拉机柴油机故障诊断应用中的局限性，本研究提出一种HPO-SVM(hybrid population optimization-support vector machine)拖拉机柴油机故障诊断模型。[方法]采用SVM(support vector machine)作为故障诊断模型的基体，针对SVM优化问题，以PSO(particle swarm optimization)和GWO(grey wolf optimization)算法为基础提出了HPO(hybrid population optimization)算法对SVM的重要参数c、g进行优化；分析柴油机的故障机制，确定反映故障发生的数据信号；基于CAN(controller area network)总线和Arduino UNO-MCP 2551组合模块采集潍柴WP6型拖拉机柴油机传感器信号数据对HPO-SVM的性能进行测试，并将测试结果与SVM、PSO-SVM、GWO-SVM、GWOPSO-SVM和LWD-QPSO-SOMBP(linear weight decrease-quantum particle swarm optimization-self organizing maps back propagation)神经网络的测试结果进行对比。[结果]相比于其他4种SVM模型，HPO-SVM充分发挥了GWO算法和PSO算法在SVM参数寻优方面的优势，故障诊断准确率大幅度提升，相比于SVM,诊断总准确率由80%上升至100%,提高20%;HPO算法提高了单种群优化算法的寻优性能，相较于PSO算法，HPO算法最佳适应度由70提升至90,提高22.22%,达到最佳适应度时的迭代次数由105下降至27,下降74.29%;为避免偶然性，对5种SVM模型采取6次重复试验，试验结果表明，相较于其他4种模型HPO-SVM模型的性能更稳定，HPO-SVM的6次诊断总准确率均为100%;HPO-SVM采用SVM作为故障诊断模型，缓解优化算法的寻优压力，提高模型的效率，相比于LWD-QPSO-SOMBP神经网络，HPO-SVM模型的运行时间由45 s降低至15 s,下降66.67%。[结论]本文研究结果可为高效率拖拉机柴油机故障诊断提供参考。