随着大数据时代的来临，信息共享、数据挖掘技术成为获取知识、创造财富、提高效率的重要工具。而在我国快速发展的高铁技术中，GSM-R网络已成为承载列控信息传输不可缺少的重要部分。本文重点研究了数据挖掘技术在高铁GSM-R网络检测/监测数据分析中的应用，针对GSM-R网络服务质量（QoS）测试综合评价问题、测试数据如何反映真实列控数据传输问题和C3（CTCS-3）降级故障类别自动诊断问题，通过深入分析GSM-R网络检测数据、接口监测数据，提出了有效解决方案，主要取得了以下研究成果：1、针对目前GSM-R网络QoS测试中，各测试指标独立评价，缺乏综合评估手段的现状，提出综合评价GSM-R网络QoS测试结果的方法。应用K-means聚类算法、KNN分类算法建立基于历史测试数据的评价模型；同时，建立完全基于指标规范要求的评价模型；综合两个模型的评价结果，给出对GSM-R网络QoS测试的最终评价。所提出的综合评价方法可以合理地反映测试结果实际水平。2、对GSM-R网络QoS测试原始数据进行分析：（1）研究CSD干扰测试数据传输与真实列控数据传输的关系，利用其相似性，建立干扰时间（干扰帧数）与真实列控数据传输时延之间的关系模型。（2）针对普遍应用在C3列控系统中的三类主流通信终端，利用（1）中得到的关系模型，通过干扰测试数据对比分析其在列控数据传输性能上的差别。为实际应用中通信终端的选择提供参考，同时对GSM-R网络动态检测工作的有效开展提出建议。（3）研究并解决了CSD传输时延测试中的持续丢帧问题，对现有GSM-R网络通信检测系统中的缺陷提出改进建议。3、研究数据挖掘技术在C3降级故障分析中的应用，提出C3降级故障类别自动诊断系统整体框架及实现流程，对系统实现中的三大关键技术进行研究并给出解决方案。（1）C3降级故障表示模型：通过对大量C3降级故障案例的研究分析，归纳总结出19种典型车地通信中断类型及其判断依据，在此基础上建立降级类别划分体系。从接口监测数据中提取描述C3降级故障的特征属性，作为条件属性集；以C3降级故障类别体系作为决策属性集，构成基于接口监测数据的C3降级故障表示模型。（2）建立C3降级故障类别自动诊断模型：提出基于C4.5决策树的C3降级故障类别自动诊断算法模型，并应用基于条件信息熵的决策表约简算法进一步提高分类准确率。在Matlab平台上进行了算法实现，用实际发生的C3降级故障案例训练自诊断分类器，并对分类准确率进行验证。结果表明，该算法的分类准确率可达98.579%（±0.0009），可以很好地解决C3降级故障类别自动诊断问题。（3）C3降级故障类别自动诊断模型的更新：采用决策树算法可通过更新训练分类器所用的C3降级故障案例库，重新运行算法即可实现自动诊断分类模型的更新。本文的研究工作为解决GSM-R网络测试综合评价、C3列控系统降级分析等重点难点问题提供了新方法、新思路。