作为能源转型时期重要的氢能应用载体,质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,PEMFC）一经问世便受到世界各国的高度关注,处于研究的最前沿,在家用汽车、重型货车和机车电车等交通领域得到广泛商业运用。然而,在复杂多变的应用场景中,PEMFC系统容易发生各种故障,导致电堆性能衰减,严重影响其商业化发展。因此,针对PEMFC系统在实际应用中的故障问题,研究相应的故障诊断策略,保障系统安全稳定运行,具有重要意义。在故障检测和隔离的背景下,本文研究了基于数据驱动框架的PEMFC系统故障诊断方法,主要工作如下:（1）为解决有轨电车用大功率PEMFC系统故障识别问题,研究了大功率水冷型PEMFC系统的工作原理和典型故障类型,包括氢气泄漏、去离子水加湿泵低压、去离子乙二醇入口高温、去离子乙二醇出口温度信号电压超范围和空气压力过低。通过对有轨电车运行过程中采集的数据进行清理,得到了包含五类故障的原始样本数据集。（2）为分析PEMFC电堆内部水故障的故障特性,根据实验采集的水管理子系统故障数据,研究了PEMFC在水淹和膜干故障状态下输出电压的变化趋势,在此基础上为充分地提取故障时序数据的特征信息,提出了一种基于统计理论的特征提取方法,利用包括绝对能量值、一阶差分绝对和、自回归系数在内的12种统计特征,实现故障信息的全面提取,得到了正常、水淹和故障三种健康状态下的样本数据。（3）针对大功率PEMFC系统多类别故障识别问题,提出了一种基于随机森林（Random Forest,RF）组合分类器的故障分类方法。基于自助法（Bootstrap）重采样,产生多个样本子集,通过决策树算法中的分类回归决策树（Classification and Regression Tree,CART）算法构造多个分类器模型,然后通过测试集对每个分类器进行测试得到分类结果,最后采用投票法选出最佳分类结果。对比支持向量机（Support Vector Machine,SVM）和K最邻近（K-nearest Neighbor,KNN）算法的分类结果,所提方法可有效识别有轨电车实际运行过程中5种故障状态,分类准确率可达94.4%,能明显提高故障分类准确率。（4）针对PEMFC水管理子系统故障诊断的问题,提出基于截断奇异值分解法（Truncated Singular Value Decomposition,TSVD）和轻量级梯度提升机（LightGradient Boosting Machine,LightGBM）的诊断方法。基于TSVD算法实现数据压缩和特征降维,减少计算时间复杂度,然后通过构造LightGBM分类识别模型实现故障的精确快速诊断。经过实测数据验证,所提方法能够快速准确诊断出正常、水淹和膜干三种健康状态,总体诊断准确率达到98.7%。通过与决策树算法的诊断结果进行比较,本文提出的算法能更好地适用于PEMFC水管理子系统故障诊断。