随着我国汽车保有量持续增多,汽车故障投诉数量不断上升。而现有汽车故障诊断技术由于时效性差、成本高、效率低等因素无法很好地满足用户需求。所以实现一种低成本、高效率的汽车故障诊断方法具有十分重要的理论意义和较大的应用价值。随着自然语言处理技术和深度学习技术的发展,使计算机理解维保数据中的自然语言并挖掘其潜在价值成为可能。然而,自然语言处理技术与深度学习技术在汽车故障领域还未有成熟的应用。本文基于汽修专家诊断并记录的维保数据,通过自然语言处理技术和深度学习技术对汽车故障表层现象描述与汽车故障部位之间的相关性进行分析,将专家的经验参数化,提出一种能有效地缩短汽修人员诊断时间,提高诊断效率,并且易于推广的汽车故障辅助定位方法。在研究过程中,由于在汽车故障领域还未有相关语料库的研究,本文首先建立了汽车故障领域语料库,使自然语言处理技术能更好地应用于汽车故障领域。其次,基于深度学习技术对汽车故障现象描述语言和汽车故障部位间的相关性进行分析,并优化了汽车故障数据集和卷积神经网络模型参数,得到了准确率更高的汽车故障辅助定位模型。之后,对汽车故障特征提取技术进行研究,并对Jieba分词及TF-IDF算法进行优化,使其更符合汽车故障领域的应用需求,以期获得更精准的汽车故障定位结果。最后,基于上述研究结果,本文设计并实现了汽车故障辅助定位系统,用户仅需输入汽车故障现象描述语言,即可得到三个最有可能的故障部位。并且基于Springboot框架、Vue框架为系统开发了网页端用户操作界面,便于系统的推广与用户操作。本文所研究的汽车故障辅助定位模型在测试集上的准确率达到89.56%。基于汽车故障领域语料库的TF-IDF算法进行故障特征提取的召回率达到95%。而汽车故障领域特征提取技术的研究使得汽车故障辅助定位模型在对照试验中故障定位的准确率达到94.44%,未经特征提取的故障描述定位准确率仅有88.89%。本文研究的汽车故障辅助定位系统提供了一种高效、低成本并且能够有效缩短诊断流程的汽车故障辅助定位方法,为传统汽车故障诊断技术与人工智能技术的结合提供一种新思路。