随着铁路货运能力的不断提高,货车运行安全问题日益得到重视。制动系统作为铁路货车重要组成部分,对于保障列车正常运行尤为关键。由于制动系统机械结构较为复杂,恶劣的工作环境导致制动故障时有发生。因此,如何准确、高效的实现制动系统故障诊断是当前铁路货车的研究热点。本文围绕铁路货车制动系统开展故障诊断研究,通过分析货车实际线路运行过程中制动系统的常见故障模式,提出了基于隐马尔可夫模型的货车制动系统故障诊断方法。该方法基于货车制动系统风压信号,通过提取风压数据有效特征来建立制动系统不同状态的隐马尔可夫模型,实现制动系统状态识别和故障诊断。本文的主要研究工作如下:（1）分析了以120-1型空气制动机为核心的铁路货车制动系统结构和工作原理,通过货车线路运行故障数据,对缓解不良、自然缓解和制动缸漏泄三类常见故障进行分析,并总结了制动故障数据的特点。（2）提出了基于多维度的货车制动风压信号特征提取及优化方法。首先从时域、频域、时频域和相关性方面对制动风压信号进行多维特征参数提取;然后基于特征选择和特征融合相结合的方法进行降维,即基于补偿距离评估技术进行敏感特征的选择和加权,并利用KPCA对特征向量中非线性部分进行特征融合。（3）通过分析货车制动故障数据的特点,首先将离散HMM应用到货车制动故障诊断中,提出了基于离散HMM的货车制动系统故障诊断方法。基于货车制动系统故障的多维度特征提取及优化选择,对特征向量进行标量量化,然后利用Baum-welch算法训练不同状态的离散HMM,组成模型库进行故障诊断。（4）为了避免数据离散化带来的有效信息缺失,将连续HMM应用到货车制动故障诊断中,提出了基于连续HMM的货车制动系统故障诊断方法。针对连续HMM初始参数优化问题,利用K-Means聚类算法完成初始模型的优化,然后训练得到不同状态的连续HMM,组成模型库来进行故障诊断。本文在大秦铁路货车制动系统线路运行数据上进行了实验,通过不同方法对比,实验结果表明,本文提出的离散HMM和连续HMM两种方法均可以对制动系统故障进行有效识别,在模型训练、诊断准确率、分类离散度方面具有一定优越性。通过与SVM和RF等常见算法的对比,体现出HMM在货车制动系统故障诊断方面的优势性能,其中离散HMM具有简单高效、训练速度快等优点,而连续HMM虽然训练时间较长,但是其它各项实验评价指标均为最优,在满足诊断效率前提下可以更好的应用于货车制动系统故障诊断。