车载设备软件故障是影响列控系统中列车运行安全的重要因素,因此,从软件开发周期上对车载设备软件功能逻辑进行快速、准确、不同粒度的故障诊断具有重要意义。传统的车载设备软件故障诊断主要依赖于基于测试案例集的离线测试及人工调试等方法,存在故障检测实时性和完备性不足、故障定位效率低等问题。本文结合新型列控系统车载设备软件设计实现阶段的功能需求,提出了一套基于模型和数据驱动结合的软件故障诊断方法,具体研究内容包括:（1）车载设备软件故障分析。结合新型列控系统功能结构和工作原理,深入分析了车载设备的关键功能及其相关接口。根据典型的软件失效模式,并结合接口关键变量行为,对超速防护功能相关的故障模式进行了定性分析。（2）车载设备软件的故障诊断方法研究。围绕新型列控系统车载设备软件在设计实现阶段的功能和时序需求,研究了基于时间自动机和定时一致性理论的车载设备软件在线故障检测方法,结合模型变异算子对车载设备软件关键功能故障进行可诊断性分析。围绕可诊断的功能性故障,提出了基于BP（Back Propagation）神经网络的车载设备软件源码级故障定位方法,在此基础上,构建了一套基于模型和数据驱动的车载设备软件故障诊断框架。（3）车载设备软件功能在线故障检测研究。结合车载设备速度防护功能需求,定义了故障检测阶段的可观测接口行为。构建了包含列车位置更新、行车许可等环境功能在内的车载ATP（Automatic Train Protection）层次化功能模型和变异故障模型。结合实际仿真软件搭建了基于一致性理论的故障检测应用适配环境,对车载ATP的软件缺陷版本进行故障可诊断性和在线检测分析,并从检测效率和检测准确性两个角度进行了评估。（4）车载设备软件故障定位方法的验证分析。根据论文提出的车载设备软件故障定位方法,建立了车载设备软件的语句执行特征分析应用框架,基于车载设备软件执行特征数据和BP神经网络模型,从单一变异体版本、多个变异体版本和不同BP神经网络算法三个方面,与经典的Tarantula、Jaccard和Ochiai方法进行故障定位对比分析。实验结果表明,基于时间自动机模型和数据驱动的故障诊断方法能够快速准确的发现车载设备软件故障,故障检测效果远大于离线变异测试。同时基于BP神经网络的故障定位方法,能够解决基于模型的故障检测无法从语句级别进行细粒度定位的问题,且比传统基于程序谱的方法定位效果较好。在大规模软件故障版本中,基于BP神经网络的故障定位方法能够以30%的代码检查率发现80%的故障版本中的软件缺陷。相关成果能为正在研究的新型列控系统车载设备软件的开发提供一定的理论基础和技术支撑。图73幅,表23个,参考文献110篇。