高速铁路信号系统车载设备是中国列控系统的核心设备之一，是保证高铁安全运营和影响铁路运输效率的关键因素。然而来自武广高速铁路故障追踪表的数据显示，目前车载设备发生故障的概率仍然相对较高;而且目前车载设备的故障诊断技术和维护手段仍然依据专家经验，已不能满足我国铁路发展的迫切需求。因而开展关于高速铁路车载设备故障诊断方法的研究具有重要意义。　　论文以我国目前高铁系统广泛使用的300公里的高铁车载设备为研究对象，在深入分析高铁车载设备的结构和现有故障数据的基础上，将高铁车载设备的故障诊断分为两个方面进行研究:1）故障数据的特征提取;2）故障的不确定推理。目前在铁路领域，车载设备的故障征兆均以自然语言的形式记录，此种记录形式的不规范性和随意性，使得故障征兆中存在大量的语义不明确的现象;同时对于车载设备，由于各个组件之间的复杂性以及故障征兆描述的不规范性，使得故障原因与故障征兆之间的因果关系表现为一定的不确定性。这种语义的不明确以及映射关系的不确定性构成了车载设备故障诊断的两大挑战。　　考虑到以自然语言记录故障征兆的不规范性和随意性，论文首先采用主题模型对故障文本数据进行分析，得到文本在主题空间中的表达，以此来进行降维和特征提取;在此基础上，针对车载设备故障诊断的不确定性，论文采用贝叶斯网络(Bayesian Networks，BN)作为故障诊断方法，在得到车载设备的诊断BN时，充分结合现场数据和领域知识，提出了一种适用于车载设备的贝叶斯结构学习算法:分层诊断贝叶斯网络的结构学习算法(HDBN SL)。随后论文以高铁武广线的现场数据为依据，进行了实验分析，测试结果表明本文特征提取算法和故障诊断算法具有较好的有效性和准确性。最后，通过C＃和Malab的混合编程，设计和实现了车载设备的故障诊断系统，该系统能够对故障数据进行录入、分析、诊断和可视化展示。　　论文通过以下创新性工作，对车载设备故障诊断体系进行了拓展和丰富:　　(1)提出了一种基于主题模型的故障文本数据特征提取算法。在分析故障文本数据的基础上，得到了车载设备的故障词库以及最优的主题个数，并将所得到的连续特征矩阵进行离散化处理，最终得到了故障文本数据在主题空间上的表达。　　(2)提出了一种结合先验知识和现场数据的贝叶斯网络结构学习算法。算法首先根据专家知识来确定贝叶斯网络的拓扑结构以及节点间的约束关系，以此来降低搜索空间的复杂度;在此基础上利用搜索打分算法，得到车载设备的诊断贝叶斯网络的结构，提高了诊断准确性。