近年来，随着高速列车的快速发展，高铁在给人们带来便利的同时，也推进着沿线经济的发展。列车走行部是车体的重要部分，其机械性能直接影响着行车安全。当走行部出现故障时，如不能及时排查，造成巨大的安全隐患。因此高速铁路走行部故障诊断在要求高精度诊断的同时，也要保证诊断的高效率与良好实时性。　　本文首先分析了高速列车走行部以及其四种工况。针对多种工况的模式识别引入了高速列车走行部故障分类诊断，并给出其流程。然后介绍了高速列车走行部实验数据的来源以及特征提取部分。　　其次，基于SVM构建分类器实现高速列车走行部单通道故障诊断模型。针对SVM参数优化的问题引入网格搜索、遗传算法和粒子群算法对其进行优化，并将优化后的SVM用于构建列车走行部单通道故障诊断模型。　　随后，本文引入FOA(fruit fly optimization algorithm)。针对FOA易陷入局部最优解的特点，引入遗传算法对其改进，提出了GA-FOA。通过6个常用测试函数验证改进后算法的性能，实验结果表明改进后的算法较原算法在保证寻优效率较高的同时提升了寻优精度。鉴于GA-FOA算法结构简单，收敛精度高，泛化能力强等优点，本文提出基于GA-FOA-SVM高速列车走行部单通道故障诊断模型。　　最后，针对高速列车走行部数据庞大，单通道故障诊断不具备全面性的问题，本文引入了t-SEN降维算法与相关维本征维数估计的方法结合GA-FOA-SVM构建了多传感器的高速列车走行部故障诊断模型。实验结果表明，该模型在诊断精度均达到100％的情况下，缩短了诊断时间，提高了诊断效率。