列控车载设备作为列车运行控制系统的重要组成部分,快速准确地定位其故障是保证列车安全运行的关键。车载设备在运营维护过程中产生大量故障数据,故障现象描述以非结构化的文本形式记录,而现场工作中的故障诊断主要由人工完成,导致结果可能具有随意性和不准确性。因此,对故障文本数据进行挖掘分析有助于列控车载设备的故障诊断研究。本文通过对CRH2型与CRH3型动车组列车中最具代表性的CTCS3-300T型车载设备的故障文本数据的深入研究与分析,设计一种基于卷积神经网络（Convolutional Neural Network,CNN）和粒子群优化支持向量机（Particle Swarm Optimization-Support Vector Machine,PSO-SVM）相结合的车载设备故障诊断模型。论文的主要研究内容如下:首先,详细介绍列控车载设备的功能及其结构组成,总结其故障类型,并对故障文本数据的来源及其特点进行分析。其次,通过中文分词技术的研究,完成车载设备故障文本数据的预处理工作;接着使用Word2vec中的基于分层softmax的连续词袋模型训练词向量,将经过分词算法后的各个词转换为同一维度的低维稠密向量,实现故障文本的特征表示。再次,针对组合诊断模型,先设计面向列控车载设备故障文本分类的CNN模型,通过对CNN模型的训练以确定最优的超参数组合,保存训练好的CNN模型,然后将其用来对原始输入数据进行特征提取。鉴于CNN中的softmax分类器对于小样本数据的分类效果不佳,故引入分类效果更加稳定的SVM来进行替代。将由CNN提取的特征向量作为SVM的输入,并引入PSO算法优化SVM中的参数,通过构建PSO-SVM分类器来实现车载设备故障智能诊断。依据某铁路局所记录的车载设备故障文本数据进行实验分析并与其他模型对比,实验结果表明本文模型可使各项评价指标得到明显提升,其中精确率和召回率分别达到93.39%和93.65%,证明其可以作为车载设备故障诊断的有效模型。最后,在模型设计与实验部分的基础上,基于Py Qt5构建列控车载设备辅助维护系统,通过系统主要功能模块的实现,进而完成对故障文本的故障类型判别并提供相应的维修措施建议,可进一步证明本文模型的可行性。本文所构建的车载设备组合诊断模型以及辅助维护系统,有效提升了车载设备故障诊断效率与精确性,并且实现了铁路现场车载设备故障文本的智能化处理,在很大程度上改善了人工处理文本时存在的复杂低效问题。