农业机械的稳定运行直接影响农业生产效率，但关于农机设备的状态检测和故障诊断研究尚未广泛普及与应用。针对该问题，以小麦收割机为例，开展强背景噪声下的农业机械故障诊断研究。首先，设计一种基于自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，简称CEEMDAN）和小波阈值（wavelet thresholding，简称WT）相结合的方法（记作CEEMDAN-WT），对采集的小麦收割机声信号进行去噪预处理；其次，提取小麦收割机的15种相关参数表征信号特征，作为诊断模型的输入，以提高诊断精度；最后，建立一种基于卷积神经网络（convolutional neural networks， 简称CNN）和正则化极限学习机（regularized extreme learning machine，简称RELM）的诊断模型（CNN-RELM），实现小麦收割机的声信号故障诊断。结果表明：相较于单一的CNN模型和极限学习机模型，CNN-RELM模型具有更好的诊断性能，CEEMDAN-WT与CNN-RELM相结合的方法可有效实现强背景噪声下小麦收割机的故障识别。