随着我国高速铁路的不断发展.高铁技术不断创新,列车成为了人们越来越依赖的交通工具。然而，列车长时间的运行,不可避免的会出现故障,从而影响列控系统的RAMS可靠性,可用性,维护性和安全性)。因此,快速准确地实现列控系统故障诊断对于保障高速列车安全高效运行具有重要意义。目前,在高铁故障诊断领域,研究人员运用各种方法进行故障诊断,如神经网络方法、故障树方法等。神经网络方法是一种具有自学习能力的智能诊断方法,但是它无法很好地解决不完整数据的训练学习问题；故障树方法是一种简单的分析方法,但是它难以适应列控系统故障判决的非确定性特征。因此,本文针对列车运行过程中的故障数据的不完整问题和决策的非确定性问题,提出利用贝叶斯网络的学习能力及其完善概率评估机制实现列控系统故障诊断和维护的思路和方法,从而提高故障数据不完整和非确定决策的情况下的故障诊断精度,优化了维护策略,提高了系统的安全性、可靠性、可用性和可维护性。论文主要完成的工作如下(1)基于目前列控系统的故障诊断特征,提出了针对列控系统的贝叶斯故障诊断方法,通过对列控系统故障的一般性描述和对列车故障追踪表的数据挖掘,生成故障样本；此外,论文中提出了基于贝叶斯网络列控系统故障诊断系统的分析和设计方法。(2)贝叶斯网络的构建是列控系统故障诊断的重点,本文以故障追踪表为数据源,对其进行数据挖掘,找到故障之间的关联性,辅助以专家经验,实现贝叶斯网络结构的构建,利用故障追踪表所挖掘的故障样本进行学习,完成贝叶斯故障诊断网络的参数学习。(3)利用Matlab与Microsoft Visual Studio2010联合编写代码,将Matlab在数学问题处理上的优势与Visual Studio2010在窗体设计与界面显示上的优势相结合,实现列控系统故障诊断系统工具的开发。本文提出了一种基于贝叶斯网络的故障诊断方法,建立了故障样本和贝叶斯网络故障诊断模型,开发了基于贝叶斯网络的故障诊断系统。本文提出的故障诊断方法和工具,实现从贝叶斯网络的理论分析到高铁实际故障诊断应用的转化,可以有效提高故障诊断的效率.极大地降低维修人员的劳动强度,为系统维护提供技术支持,为列控系统安全高效运营提供有力支撑。