El diagnóstico de fallos hidráulicos en aeronaves es una técnica importante en los sistemas de aeronaves, ya que el sistema hidráulico es uno de los componentes clave de una aeronave. En el diagnóstico de fallos del sistema hidráulico de aeronaves, los ruidos ambientales complejos pueden llevar a resultados inexactos. Para abordar el problema mencionado, los métodos de detección de fallos del sistema hidráulico deben ser capaces de resistir el ruido. Investigaciones anteriores se han centrado principalmente en condiciones libres de ruido y se han propuesto muchos enfoques efectivos; sin embargo, en las condiciones reales de vuelo de las aeronaves, el sistema hidráulico a menudo presenta ruidos fuertes y complejos. Los métodos propuestos pueden no tener buenos resultados de detección de fallos en un entorno tan ruidoso. Según la situación, este trabajo se centra en la clasificación de fallos del sistema hidráulico de aeronaves bajo la influencia de un entorno de trabajo hidráulico con ruido blanco gaussiano. Con el fin de eliminar la interferencia del ruido y adaptarse al entorno ruidoso real, se presenta un nuevo método de diagnóstico de fallos hidráulicos en aeronaves basado en la descomposición de modo empírico (EMD) y memoria a largo y corto plazo (LSTM). Primero, se construye el sistema hidráulico mediante AMESIM. Se consideran un estado normal y cinco estados de fallo en este documento. Se recopilan señales de ocho canales de diferentes estados para el entrenamiento y prueba de la red. En segundo lugar, se utiliza el método EMD para obtener las diferentes funciones de modo intrínseco (IMFs) de las señales. En tercer lugar, se utiliza el análisis de componentes principales (PCA) para obtener el componente principal de las IMFs. En cuarto lugar, se eligen tres métodos LSTM diferentes para comparar y la mejor estructura elegida es la unidad recurrente de puerta (GRU). Después de eso, se optimizan los parámetros de la red. Se presentan los resultados bajo diferentes entornos de ruido. Luego, se considera una comparación entre el EMD-GRU y varios métodos de aprendizaje automático diferentes, y el resultado muestra que el método en este documento tiene un mejor efecto anti-ruido. Por lo tanto, se demuestra que el método propuesto tiene una fuerte capacidad de diagnóstico y clasificación de fallos bajo los ruidos de trabajo, basado en los resultados de simulación.