计算机联锁是具有代表性的铁路信号安全苛求系统,负责列车的进路控制和车站作业安全防护。当前计算机联锁系统运行维护的智能化水平较低,主要还是依靠人工经验,无法应对大规模的故障诊断需求,且容易出现由于经验不足造成的诊断不完备、诊断出错等问题。人工智能技术的发展,以及系统运行过程中产生的海量数据给联锁系统的智能运维带来了机遇。本文从联锁系统自身特点出发,面向智能运维,研究基于深度学习的故障诊断方法,并设计实现了一套计算机联锁智能运维支持系统,可有效提高故障诊断的自动化水平。本文主要工作如下:（1）提出了一种针对站场拓扑的树形数据组织方法。考虑到联锁逻辑对站场拓扑的依赖性,给出一种树形结构用于描述站场设备间的关联关系,解决深度学习模型中,联锁数据维度过大的问题。（2）提出了一种基于树形结构的深度学习联锁逻辑故障诊断模型。以某大规模实际站场为对象,采用了五种不同的神经网络对其进行建模,并进行对比评估实验,结果表明,所提出的树形结构诊断模型提高了30%左右的故障诊断准确率。（3）提出了一种面向联锁逻辑时序特性的深度学习模型。将树形神经网络分别与循环神经网络及其衍生算法相结合,形成了针对联锁逻辑特点的故障诊断模型。同时,将结合时序逻辑的故障诊断模型与仅采用树形结构的模型进行评估对比,实验结果表明结合时序信息的模型在二分类任务中准确率为90.26%,在多分类任务中为88.00%,证明了其有效性。（4）基于所提出的方法,设计实现了一种基于深度学习的计算机联锁智能运维支持系统。该系统以故障诊断模型为核心,为管理人员提供了可视化界面,并实现了运维相关功能,包括站场状态显示、联锁故障诊断和设备状态查询评估等。本文工作围绕联锁系统的自身特点,融合深度学习人工智能技术,为联锁逻辑的故障诊断提供了一种新的思路和解决方案,对计算机联锁智能运维具有借鉴意义。