城市轨道交通运营安全一直深受各级政府和人民的高度重视和密切关注，城市轨道交通车辆是运载乘客的直接载体，其安全与否，直接与乘客的生命安全息息相关。此外，随着近几年城市轨道交通车辆设备的复杂性不断提高，相应的故障率也在上升。城市轨道交通车辆关键系统包括制动系统、牵引系统、车门系统等，如何高效、快捷和准确的对这些关键系统进行诊断是值得我们研究探讨的一个重要问题。本文总结了轨道交通故障诊断技术在国内外的发展，并在对广州城市轨道交通运营车辆深入研究的基础上，对目前城市轨道交通车辆上关键设备的应用和故障进行了总结，找出故障的特点和规律。在上述需求分析和调查的基础上，本文介绍并设计了集车载、地面为一体的城市轨道交通车辆关键系统故障诊断的综合系统，及各个分系统的功能结构。信息获取是进行故障诊断的基础。本文首先分析了诊断信息的来源及获取方式，介绍了收集信息的设备，传感器、信息预处理装置，为后续的诊断分析建立了必要的基础，并在后面的章节以制动系统为例给出了城市轨道交通制动系统的监测点及监测信息类别。本文还结合车辆段故障维修管理系统的数据提出了城市轨道交通关键系统故障分级方式并将故障分级方式融合到相关的诊断模型中。支持向量机(SVM: Support Vector Machine)是在统计学习理论的基础上发展出来的一种新的模式识别方法，是Vapnik等根据统计学习理论中的VC维理论和结构风险最小化原则提出的，其在解决小样本、非线性机高维模式识别问题中表现出许多特有的优势性。本文对支持向量机的原理进行了分析，并对其几种多分类方法进行了优缺点分析，最后选择了其中的二叉树支持向量机多分类方法进行本文的故障聚类诊断方法。随后建立了二叉树支持向量机诊断模型，并对其进行了实现。最后，本文对城市轨道交通车辆关键系统中的制动系统故障诊断系统进行了软件实现。首先对各功能模块及系统数据库进行了说明，然后展示了系统的运行界面。本文实现了城市轨道交通制动系统分布式监测点的故障分类诊断，根据所提出的故障分级方法运用二叉树支持向量机诊断模型对制动系统的故障进行准确的区分、分类，为以后相关方向的研究给予相关支持，并完善车辆段历史知识库，为其维修城市轨道交通车辆提供了方便，具有较好的实用性。