随着汽车上电子电气基础设施的日益复杂,电子设备数量的大幅增加,电磁兼容问题日渐重要,人们开始着重关注EMC（Electromagnetic compatibility,电磁兼容）这一块的内容。现阶段,基于车辆电磁兼容测试的反向诊断和正向设计问题是目前业界关注的重点问题。由于汽车上电子设备的频带日益加宽,信息传输速率日益提高,EMC的故障诊断也变得更加困难。电磁兼容测试数据集样本量太小的问题,多年来一直困扰着排查EMC故障的测试人员。因此,适合于小样本的电磁兼容故障诊断模型也就成为了EMC故障测试人员的福音。而样本的数量也成为了故障诊断系统性能的关键影响因素。本文基于EMC故障数据特征和故障源之间的映射关系构建EMC故障特征数据集,采用One-Hot（独热编码）实现文本故障特征的数字化编码,构建多维空间样本点,利用样本点之间的邻居关系,提出基于SMOTE（Synthetic Minority Over-Sampling Technique,合成少数类过采样法）插值的EMC故障数据扩增方法,生成EMC故障特征扩增数据集。为了验证EMC故障特征扩增数据集的有效性,本文提出了一种基于SVM函数距离和K-means（K均值）聚类的有效性验证方法。该方法从样本相似度特征和样本空间分布特征两个方面分析EMC故障特征扩增数据和原始数据的相似性,实验结果表明,扩增数据集与原始数据集表现出高度相似性,可以将其应用到训练模型中。为了证明数据扩增的意义,将扩增数据集应用于随机森林故障诊断模型,对比实验结果表明,采用扩增数据集能够有效提升EMC故障诊断准确性。将本文方法应用于EMC故障诊断系统,通过诊断流程分析验证了本文方法的有效性。