轨道交通在快速发展的城市化进程中占据了重要地位,而城市轨道交通车辆的安全高效运转则为社会生活提供了强有力的保障。牵引逆变器作为机车的重要组成部分,车辆运行中不间断地切换于停止和工作两种工况下,运行状态较为复杂,有着较高的故障率,而牵引逆变器的故障除了干扰正常的社会生产外还会给乘员带来安全隐患。现有的牵引逆变器故障诊断方法大多建立在Nyquist采样定理的基础上,需要采集海量的信号来保证诊断精度,容易带来待处理数据量大、数据存储和传输困难等问题。因此,展开对牵引逆变器故障的基于大数据的、快速准确的诊断方法有助于提高故障解决效率以及保障城市社会生产,本文以国家重点研发项目“无接触网供电城轨车辆关键技术及装备研制”为研究背景,展开了基于压缩感知(Compressed Sensing,CS)理论的牵引逆变器故障诊断方法的研究。首先,基于牵引逆变器的拓扑结构和工作原理搭建了基于MATLAB/Simulink的仿真模型,在了解了故障发生原因和故障发生的种类后,基于仿真模型模拟所有的单管和双管故障并采集22种工况下的电压信号,作为后续研究的数据基础。其次,针对CS理论的稀疏表示性能展开了研究,采用基于双稀疏字典模型的方法对牵引逆变器的故障电压信号进行稀疏表示,该方法能够很好的提升CS理论的压缩测量性能,并通过仿真实验验证了优化方法的可行性。再次,针对CS理论的测量矩阵进行了对比分析研究,利用基于Gram矩阵的测量矩阵优化方法对Gauss矩阵进行了优化,该方法优化后的测量矩阵与稀疏基的相关性更低,且重构误差更小,并基于仿真实验验证了优化方法的可行性。最后,将支持向量机(Support Vector Machine,SVM)引入牵引逆变器的故障模式分类,提出基于CS-SVM模型的故障诊断方法,先利用CS理论对牵引逆变器的故障电压信号进行处理,在对压缩测量得到的测量值进行重构的过程中直接进行故障特征参数的提取,将其作为支持向量机的输入,最终完成故障分类。仿真结果表明,本文方法与传统方法相比,故障诊断准确率和诊断速度都得以提升,且诊断过程中需要处理的电压信号数据长度大幅减小,能够减轻数据传输存储设备的压力。