随着我国高铁列车运行速度的提升,高铁列车的运行安全问题也引起社会各界的高度重视,高铁列车如果发生故障轻则引起交通的混乱,重则造成车毁人亡,严重损害人民的生命安全。因此,如何对高铁牵引系统中逆变器的功率开关管进行准确的故障诊断与隔离,让高铁列车牵引系统正常工作,从而保证高铁列车的安全平稳运行就成为重中之重。本文首先对常见的高铁列车牵引逆变器进行分析和研究,确定以高铁列车牵引系统中最为常见的二极管钳位式三电平逆变器为研究对象,分析该种逆变器的故障发生机理以及主要表现特征,并且对三电平逆变器的工作状态进行详细的电路分析。其次,本文针对高铁列车牵引逆变器中不同故障类型却具有相似故障波形的问题,提出了一种基于核模糊聚类与规则推理的逆变器二级故障诊断方法。变分模态分解算法（VMD）可以消除指数衰减直流偏移问题,避免了混叠现象,在离散非线性系统的信号处理中更有效,因此本文利用VMD来进行逆变器故障信号的特征提取,并且构建能够准确识别所有故障类型的故障特征向量表。然后采用神经网络（BP）进行学习训练并输出诊断结果,并用优化的遗传算法对神经网络的权值和阈值进行优化。由于遗传算法（GA）存在易陷入局部最优解和收敛速度慢等缺点,引入核模糊聚类（KFCM）算法将分类问题转化为多目标寻优的问题,克服遗传算法易陷入局部最优解和收敛速度慢的缺陷,用基于VMD-核模糊聚类优化遗传神经网络的初级诊断方法来进行逆变器的初级故障诊断;提取逆变器中桥臂的电压信号,利用VMD和规则推理相结合的二次诊断方法来准确识别逆变器的特殊故障。最后,通过实验仿真验证,对KFCM-GA-BP、GA-BP、粒子群算法（PSO）优化神经网络三个优化算法的诊断效果进行比较,结果表明KFCM-GA-BP算法的诊断准确率要高于其它两个,初级诊断方法可以快速有效的识别逆变器的初级故障;利用VMD和规则推理相结合的二次诊断方法来识别逆变器的特殊故障,通过数据分析表明该方法可以准确识别逆变器的特殊故障。