随着中国高速列车速度的加快,列车走行部的压力越来越大。然而,国内还没有很适用的针对高速列车走行部数据监测的故障诊断系统。为了保证高速列车的运行安全和舒适性,西南交通大学牵引动力实验室开始进行相关实验研究。实验中,将各类型传感器安装在高速列车走行部的各个部位,用于提取列车运行时的振动信号,然后依据振动信号来判断列车的运行状态。对振动信号进行特征提取后获得的数据是多传感器、多工况、多特征的高维数据,因此,本文针对降低特征维数和多传感器数据融合问题,采用Fisher’s ratio特征评价方法降低特征维数,并提出一种改进D-S证据理论多传感器数据融合算法。本文首先分析了高速列车走行部振动特征、高速列车实验监测数据、运行工况及常用振动特征提取方法；在此基础上,介绍Fisher’s ratio特征评价方法和高速列车特征集；然后分析了本文所用的KNN与D-S证据理论结合的分类方法；之后,采用Fisher’s ratio方法对高速列车特征集进行特征评价实验,实验结果表明：采用Fisher’s ratio方法进行特征评价并去除适当冗余特征,不但可以降低特征维数,还可以提高故障判断准确率。由于单个传感器存在信息不完整、错误率高的情况,为了得到更为准确的信息,本文采用了D-S证据理论信息融合技术。针对基本D-S证据理论无法融合高冲突证据并且对高铁数据没有针对性的问题,本文提出一种专门针对高铁监测数据的改进D-S证据理论。通过对基本D-S证据理论、典型改进D-S证据理论和本文提出的改进算法的典型算例对比分析,表明了本文提出的改进算法不仅能够有效地处理高冲突证据,并且比经典改进D-S证据理论聚焦效果更好。最后,将本文提出的改进D-S证据理论应用于高速列车走行部故障诊断融合决策中。实验结果表明：本文提出的改进算法虽然比基本D-S证据理论和经典改进D-S证据理论融合时间稍长一些,但能够提高故障诊断准确率,并且适用性更好。