作为轨道交通列车的关键核心系统之一,列车通信网络是实现列车运行控制、状态监测、数据传输等功能的中枢平台,一旦发生故障将危及列车运行安全。目前,列车通信网络检修维护模式仍然以计划检修和事后检修为主,缺乏有效的健康评估和智能诊断方法是造成检修维护时机滞后、效率低以及成本高等问题的主要原因。故障预测与健康管理（Prognostic and Health Management,PHM）技术能够对关键系统或设备进行状态感知和健康评估,并有效预测故障发生,是推动检修维护模式改革的重要手段,将其应用于列车通信网络检修维护中,对于实现低成本、高效率的智能维护和可靠性提升具有重要意义。本文立足于列车通信网络检修维护现状,在对列车通信网络故障机理深入分析的基础上,构建健康管理系统架构,分别开展了面向智能维护需求的健康评估、异常检测以及故障诊断等方法研究,重点解决列车通信网络PHM技术应用中存在的难点问题,主要研究内容和创新点如下:（1）针对传统健康评估方法易受主观因素影响、鲁棒性较差等问题,提出一种基于变分自编码器的多功能车辆总线（Multifunction Vehicle Bus,MVB）网络健康评估方法。不同于传统数据驱动方法得到的确定性映射关系,变分自编码器学习网络正常状态下物理层信号样本在特征空间中连续性潜在概率分布,根据模型隐空间分布多次采样下的样本重构误差构建网络节点健康度函数。此外,依据网络拓扑特征和应用需求两个方面确定网络节点健康权重,从而加权求和得到网络整体健康度。实验结果表明,该方法能够客观有效地定量评估网络节点和网络整体通信性能,同时对外界干扰具有较好鲁棒性,为状态检修提供理论依据。（2）针对非完备先验知识下的MVB网络异常检测问题,考虑到未知故障训练样本的缺失,提出一种基于动态选择性集成的异常检测方法。根据网络通信协议和故障机理,提取稳态幅值、超调量、上升斜率、下降斜率等6种物理信号波形质量特征,结合单分类器和二分类器各自优点构建异质集成模型,提出一种基于归一化信息熵和高斯势函数的基分类器性能度量方法,动态选择性能最优的基分类器子集来预测最终的异常检测结果。此外,所有基分类器关键参数选择推荐经验值,避免繁琐的模型调参过程。多组实验结果表明,在缺失未知故障训练样本下,相比于其他先进方法,该方法对于已知和未知故障样本均具有较好的异常检测表现。（3）针对有限标记样本下的MVB网络典型故障诊断问题,考虑到实际应用中标记样本不足且人工标记成本高昂,提出一种基于主动学习和深度神经网络的故障诊断方法。为了最小化特征提取的信息损失,采用堆叠同构自编码器从MVB主帧物理层信号中自动提取故障特征表示,从而提升网络故障诊断表现。为了在有限标记样本下得到高性能故障诊断模型,设计基于深度主动学习的故障诊断框架,提出一种基于不确定性和相似性动态融合的主动学习算法,选择高信息量的一组未标记样本经过领域专家标记后用于模型训练。实验结果表明,为了达相同的诊断准确率,该方法所需的标记训练样本数明显少于随机采样方法。此外,相比于其他主动学习方法,该方法在相同数量的已标记训练样本下具有更好的诊断表现。（4）针对故障发生率较高的网络节点设备功能模块的早期故障高层次、高可分性特征不易提取的问题,提出一种基于小波变换和多尺度紧凑卷积神经网络的早期故障诊断方法。采用小波变换得到脉冲响应信号的多尺度时频域分量,构建一种多尺度紧凑卷积神经网络,从而融合多尺度输入信息并提取互补且丰富的故障信息。此外,设计一种由softmax损失和中心损失组成的新损失函数,在模型训练过程中同时最大化类间可分性和类内紧凑性,提升模型特征提取能力。实验结果表明,相比于其他先进方法,该方法具有更好的特征学习能力和故障诊断表现。