近年来随着我国高速铁路动车组的大规模投入使用，借助于先进的传感器技术、数据采集技术和计算机存储技术，动车组积累了海量的数据。利用这些海量数据进行数据分析，从而指导维修与维护工作，进而保证动车组的安全运行具有十分重要的意义。然而传统的数据分析技术在海量数据面前，暴露出处理时间长，甚至是内存不足导致无法训练等缺点。Hadoop的出现为解决上述问题提供了思路。Hadoop因其强大的计算能力和海量的存储能力等特点，已经成为大数据分析领域重要的研究方向。本文将传统的数据预处理算法和反向传播(Back Propagation)算法与MapReduce框架相结合，设计实现了基于Hadoop的大数据分析方案。　　本文的创新点包含以下三个方面:　　首先，本文提出一个并行异常数据处理算法——MRKM算法。对K-means聚类算法进行改进使其用于寻找数据异常点，将改进后的算法与MapReduce框架相结合，设计了基于MapReduce的异常数据处理算法。实验证明，改进后的K-means算法可有效的处理异常数据。　　其次，研究了标准BP算法，针对算法的不足，提出了引入参数的改进算法——IPBP算法。实验证明，IPBP算法比标准的BP算法具有更高的正确率和较小的迭代次数。对IPBP算法进行了MapReduce并行化，提出了MRIPBP算法。实验结果表明，MRIPBP算法并行性好，能胜任大量数据分析处理任务。　　最后，将大数据技术应用于动车组，使用本文提出的大数据分析算法对动车组牵引电机进行维修等级判定，使牵引电机的维修等级判定更为准确。　　本文还介绍了Hadoop系统，分析了牵引电机的电气特性，根据电气特性提取了牵引电机的特征向量，搭建Hadoop实验平台，对动车组牵引电机数据进行数据预处理和数据分析，实现大数据分析算法在动车组牵引电机的应用。并从不同的方面进行比较，分析算法性能。实验证明，算法有较高运算速度。　　本文将大数据分析算法应用于动车组，使相关技术人员能准确地获得牵引电机维修等级，提高检修与维护工作，从而减少或避免事故的发生，为动车组的安全运行提高保障。