高速列车健康状态监测需要面对复杂的数据环境,一方面,不仅动车组自身是一个复杂的多体系统,运行中还会受到包括轨道平顺度、气流、负载等在内的诸多外部因素的作用,采集到的监测信号是典型的高复杂度、高耦合度和不确定性强的非线性信号;另一方面,高速列车系统组成部件众多,性能退化表征复杂,故障类型多样且数据样本不完备。本文针对深度学习方法在高速列车状态监测与故障诊断任务中存在的问题与不足,围绕多通道信号下的模型性能提升、模型输出结果的可靠性提升、以及模型在非完备的数据集下的可用性提升三个层次开展研究工作,论文的具体研究内容如下:（1）基于多视角深度结构的高速列车故障辨识架构针对高速列车监测系统中信号的多传感器通道、多模态分量、以及多频率尺度的特性,本文提出了一种基于多视角深度结构的神经网络模型。该模型通过结合多分支拓扑和信号分解方法,实现了一种具有低输入维度的可扩展的深度神经网络架构,可以从通道视角、分量视角和尺度视角实现多层次特征分量的提取,该结构不仅提高了故障辨识的准确性,还提升了模型的噪声鲁棒性和应对外部扰动的能力,对于复杂系统状态监测任务,尤其是动态环境中的交通装备故障诊断具有重要的参考价值。（2）基于同步分组卷积的多通道信息融合结构针对多传感器监测系统的信息融合与协调优化问题,本文提出了一种适用于多通道信号模式分析与融合的同步分组卷积结构。该方法通过引入同步性测度来量化多通道信号之间的同步性,从而可以在卷积层内实现对信号通道进行差异化分配,高效处理具有强耦合和复杂簇差异的多通道信号。所提出的同步分组卷积结构可以获得优于标准卷积和标准分组卷积的性能,同时可以减少模型的参数总量并优化模型体积,从而为基于多通道传感信号的状态监测提供了一种实用可行的模型结构。（3）基于贝叶斯深度学习的高速列车域外故障检测针对非常见故障可能引起的系统误判问题,本研究提出了一种基于贝叶斯深度学习的域外故障检测方法。该方法先通过样本对抗策略对输入信号施加扰动成分,并基于贝叶斯深度学习方法实现蒙特卡洛采样,用以放大域外故障和域内故障之间的不确定度差异,然后使用互信息进行不确定度度量并进一步校准判别阈值,实现域外故障的检测。该方法不仅具有坚实的理论基础,而且无需对深度神经网络模型进行再训练。此外,由于只需要少量域外样本进行阈值校准,所以易于实现且具有较高的实用价值。（4）基于类间学习的高速列车并发故障诊断针对并发故障诊断任务中的特征交叠和数据不完备问题,本研究提出了一种基于类间学习的并发故障检测方法。首先设计了基于信号通道能量的类间样本合成方式,并通过多标签学习进行模型拟合,在此基础上,通过基于贝叶斯深度学习的增强估计方法,实现并发故障的成分类型判别。所提出的方法能够在一个模型内同时实现单一故障与并发故障的检测,并可以进一步识别出并发故障的组成成分。同时,由于在模型训练阶段不需要使用真正的并发故障样本,大幅降低了故障数据的额外收集成本。