列车空调关系着乘客出行的舒适性,由于我国南北气候差异较大,列车空调需接受严峻的考验,所以保障列车空调的稳定运行以及故障的及时发现对列车运行至关重要。为了更好的了解列车空调运行特性,对列车制冷系统关键部件如压缩机、冷凝器、储液器、节流装置以及蒸发器进行建模仿真,分析当压缩机转速降低、冷凝器污垢、蒸发器污垢三种故障发生时各特征参数的变化趋势,为后文的数据处理部分提供样本数据。为实现列车空调的故障诊断功能,利用BP以及SVM算法的数据分类功能,在MATLAB平台上建立BP神经网络、SVM算法的训练模型,利用其数据分类功能对故障数据进行分类识别,故障识别准确率分别达到了 96.67%及93.33%。为优化BP算法的训练速度以及故障识别精度,运用PCA以及LLE算法对故障数据进行了降维处理。经过降维后再使用BP算法进行分类识别,最终结果显示,其中经LLE算法降维后的BP神经网络故障识别正确率为95%,训练速度也没有得到优化;经PCA算法处理过的BP神经网络识别率达到了 100%,训练时间减少了 6倍。引入神经网络以及SVM算法对列车空调故障进行识别将会有效的增加故障识别的智能化程度,只需要输入某一时刻的相关参数便可以诊断出其具体状态,定位故障发生部位,将会减少拆机检查频率,提升空调使用寿命。引入PCA算法与BP算法结合的方法,有效的提升了训练速度以及故障识别率。