随着我国“八横八纵”的高铁网络逐渐形成,高铁出行载客量规模不断扩大,高速动车组设备需要承受更大的压力,并且由于高铁运营工况的复杂性,人为因素等造成高铁塞拉门系统发生故障,本文在深入研究塞拉门系统故障模式的基础上,结合可靠性分析、人工智能等理论,研究了面向工程实践的车门系统故障诊断方法,对保证高铁列车安全运营,具有重要的理论价值和指导意义。本文采用如下方法对高铁塞拉门系统进行故障诊断研究:首先,对高铁塞拉门系统进行结构以及功能分析,在充分了解其结构与功能的基础上,结合常州某公司的塞拉门在2019到2020年的故障维修数据,对塞拉门系统的故障模式进行分析,将塞拉门系统分为五个子系统,并详细介绍了故障树理论基础,逐步构建出了塞拉门系统的故障树诊断模型。其次,针对传统故障树的不足,通过对T-S（Takagi-Sugeno）故障树及其故障树算法,对传统故障树加以扩展,描述系统故障事件处于多态时的解决办法,构建出了塞拉门T-S故障树模型,并且在传统故障时重要度分析的基础上,加上了T-S故障树FV（Fussell-Vesely）重要度分析,得到了塞拉门系统最小割集、系统可靠度以及基本事件重要度,实例分析了用T-S故障树对塞拉门进行故障诊断分析的可行性,确定了系统的薄弱环节:门位置传感器、紧急解锁电磁阀、导轨润滑不足、红外感应器。再次,针对如何快速定位到发生故障的部件,以便于快速完成故障的诊断和维修工作,针对传统灰色关联度分析法的不足,采用三角模糊数来描述方案属性的特征,改进的灰色关联相离度,采用改进的CRITIC法确定权重,去除了数据平均值差异对属性权重的影响,对T-S故障树底事件进行故障搜索,并将关键重要度、搜索成本以及属性值的可信度作为其属性,并用MATLAB进行仿真计算,求得各个方案的相对贴近度,得到了塞拉门系统故障方案排序。最后,针对传统故障诊断方法不足,采用了基于贝叶斯网络的塞拉门系统故障诊断方法,重点介绍了贝叶斯网络的学习、参数的设计、网络推理等,其次通过T-S故障树为基础构建高铁塞拉门贝叶斯故障诊断模型,同时利用Ge NIe贝叶斯仿真软件,采用EM最大期望算法对样本数据进行参数学习,利用贝叶斯网络精确推理的联合树算法,对网络模型进行因果推理以及诊断推理,实现了塞拉门系统故障信息的评估和故障原因的诊断。