现在随着中国高速铁路的路网规模越来越大,投入使用的高速列车数量也随之持续增长,针对列车各项数据进行故障诊断及预测的研究也变得更有价值。制动系统是高速列车上相对容易发生故障的子系统之一,而且系统结构复杂难以构造状态与故障间的简单线性映射关系,因此传统的故障预测方法往往难以全面学习故障特征,容易受到累积误差的影响,导致中长期预测效果不好难以满足现实需求。本文研究了基于高速列车历史状态数据的制动系统故障预测方法,主要包括如下内容:（1）基于数据驱动,对制动系统进行了故障标签的划分,形成八个故障标签,同时利用统计学方法对历史状态数据进行了筛选,得到与制动系统故障相关性较强的部分特征,作为后续研究的数据基础。（2）提出了一种基于一维CNN的故障诊断方法,模型的输入除了当前时刻的状态信息外还会回溯一个时间窗大小,同时输入时间窗内的历史状态信息。这样即可利用CNN提取历史状态在时间维度上的特征,获取更多信息。经过实验验证,在制动系统故障标签识别场景下识别准确率达到87.6%,相比多层感知机方法提高了5.5%。（3）传统的故障预测方法往往只能在短期预测时保持较高的预测精度,中长期的故障预测效果往往受到误差累积的影响难以发挥出好的性能。针对这个问题,本文提出了基于Informer的故障预测方法,方法中的生成式Decoder模型可以一次性生成多步预测结果,避免了误差累积效应,可以提升中长期预测的性能。本文还使用了LSTM等模型设计了对比实验,实验结果证明Informer在进行30分钟及以上的故障标签预测时具有显著优势。（4）提出了一种车地协同的故障预测方案,一方面在车载端利用其更丰富的数据资源进行短期的在线故障预测,另一方面在地面数据中心训练和部署离线模型进行中长期的故障预测。本文在自动编码器的基础上通过输出级融合策略和特征级融合策略构造了两种在线故障预测模型,经过实验,这两种模型在在线场景下的预测效果更好且计算速度更快。另外本文研发了离线模型分布式部署系统,通过该系统能方便的将训练后的模型进行部署使用,同时还能将模型分布式地部署到计算机集群上充分利用集群的计算资源。本文通过分析和实验比较了注册中心式网络架构和去注册中心式网络架构的优劣,结论是去注册中心式网络架构更适合该场景。图39幅,表19个,参考文献59篇。