近年来,中国的高速列车技术发展迅速,高速列车的运行可靠性和安全性逐渐成为人们日益关心的问题。其中,牵引／制动执行器控制和故障容错是牵引／制动系统中与列车运行安全相关的关键环节。对其采用更加先进的控制方法是保证高速列车安全可靠运行的一个解决途径。在前人研究基础上,本文将高速列车牵引与制动控制作为研究对象,建立了更加接近实际的高速列车动力学模型。提出了列车牵引与制动执行器故障程度识别模型,并基于识别出来的故障程度采取重构容错控制,从而保证列车速度和位移跟踪正常,可靠运行。论文做的主要工作包括如下：首先,为保证高速列车执行器故障程度被识别出来,在故障发生时采用具有执行器故障容错性能的重构容错控制器,研究如何实现执行器故障程度的识别。考虑到执行器故障常伴随着列车某些状态的明显变化,把执行器故障程度识别问题转化为基于支持向量机(SVM)区分列车执行器状态的回归问题。通过不同故障程度的输入输出数据样本集训练得到回归模型,输入需要被识别的数据样本集,就可以通过回归的结果得到执行器故障程度估计值,从而实现重构容错控制器的容错控制。在MATLAB实验中证明了故障程度识别的实用效果。然后,建立一个比较接近实际的高速列车动力学模型-多质点单位移模型,这个模型将环境阻力、车厢之间的相互作用力、执行器故障等因素考虑在内。将多质点模型进行了简单化、低维化,便于控制策略的设计。同时,研究了牵引／制动执行器发生故障后高速列车速度和位移的跟踪问题。当执行器故障程度识别模型识别出执行器故障程度后,将它作为后面研究的重构容错控制器的重构因子。从而,实现执行器故障重构容错控制。通过神经网络对列车的非线性部分进行无限逼近,由自适应方法自动生成中间控制参数、神经网络权重和补偿信号,由此产生牵引／制动力的输入,这就是基于神经网络的执行器故障容错控制方法来进行容错控制的过程。然后将重构因子加入,实现基于神经网络的重构容错控制。另外,文中对鲁棒自适应和重构鲁棒自适应的容错控制进行了对比。通过李雅普诺夫函数对系统稳定性进行分析和验证,并且MAn,AB的仿真结果也有效的证实了容错控制方法可以实现执行器故障下的控制目标。重构容错控制具有更小的位移、速度跟踪误差和更好的容错效果。