近年来随着高速铁路技术的发展和完善,列控车载设备结构变得越来越复杂,使得故障种类存在多样化的特点。而传统的故障诊断方法依赖大量的专家知识和技术人员的维修经验,导致故障在诊断的过程中工作量加重无法进行及时有效的诊断,并且存在误诊和漏诊的现象。因此本文以历史故障数据文本做为研究对象,利用文本处理技术实现故障文本的词向量表示,然后采用神经网络模型来进行故障特征的提取以及故障诊断。本文具体研究内容包括:（1）基于列控车载设备故障数据文本的处理。为了挖掘故障文本中的有用信息,就需要对故障数据进行数据清洗,而清洗的过程包括去除时间、地点、列车号以及标点符号等一些无关信息,生成只包含故障文本信息的特征词集合。由于没有专门的列控故障词库,因此通过构建故障词汇库实现对故障文本的分词。（2）基于列控车载设备故障文本的结构化表示。为了更加准确的表达故障文本的语义信息,本文提出基于故障特征加权的Word2vec词向量表示模型。该模型首先通过传统的Word2vec模型对故障文本进行词向量表示,但是该模型无法关注重要的故障信息特征。因此引入改进的故障特征加权算法,计算故障特征词的权重值,并将权重值与词向量相乘得到新的词向量表示。实验结果表明,该模型可以更加准确的表达故障文本信息,从而提高故障诊断精确率。（3）基于列控车载设备故障智能化诊断。为了提取深层次的故障特征并实现智能化的诊断,提出基于Bi LSTM-Attention的故障诊断模型,该模型提取故障文本的上下文语义信息,并且引入注意力机制来增加故障特征的权重来提高诊断效率。为了提取更加全面的故障特征,并且提高故障诊断的精确率,在该模型的基础上并行一个嵌入特征通道机制的多核卷积神经网络（SECNN）模型,而SECNN模型利用不同卷积核提取不同维度的局部特征组成新的全局特征,并与Bi LSTM-Attention模型提取到的特征进行融合然后在进行分类。以某铁路局列控车载设备故障数据为研究对象,将改进后的诊断模型与其它类型的故障诊断模型进行实验对比,在各评价指标上均有提高。说明该模型可以实现智能化的故障诊断,并且提高诊断效率。