当今,互联网和汽车行业正在飞速发展,车辆内的电子设备越来越多,车辆的电磁环境也日益复杂,车辆的电磁兼容问题受到人们的广泛关注。目前在汽车电磁干扰的诊断、优化和抑制方面,主要依赖电磁兼容工程师的实践经验和实车测试为主。如何将电磁兼容工程师多年积累的电磁兼容性开发经验提取成智能化的分析规则是研究的重点。本文基于现有电磁兼容测试数据,提出了一种EMC测试数据特征提取算法,并基于特征数据,将之与实车测试整改报告和工程师的经验相结合,建立了基于小样本数据集和学习机制的反向诊断模型,对EMC故障的故障源进行分类预测,有效的为电磁兼容故障诊断提供了方向,并且基于本文的研究设计并开发了基于B/S的EMC测试数据分析系统,对本文提出的EMC测试数据特征提取算法和构建的模型进行了应用。具体内容如下:（1）阐述了车辆电磁兼容故障反向诊断的相关背景及意义,并对电磁兼容测试、故障诊断和基于机器学习的故障诊断方面的国内外研究现状进行了详细介绍。（2）简单介绍了电磁兼容的相关概念,分析了电磁兼容的测试数据特征提取的方法,对以往的故障诊断方法进行简单介绍并提出本文研究所使用的故障诊断方法框架,最后对本文的电磁兼容反向诊断建模所需分类器进行了相关介绍。（3）对现有的电磁兼容测试数据进行数据分析,设计并提出了一种EMC测试数据特征提取算法,然后将特征数据与工程师的现有经验和实车测试经验相结合,将机器学习的相关算法应用到车辆电磁兼容测试反向诊断的模型建立,采用SVM算法与朴素贝叶斯算法分别建立模型进行对比实验。（4）对使用两种分类器进行实验的结果进行展示和分析,实验结果表明,基于SVM的反向诊断模型更适合本文的研究,能对EMC故障诊断提供良好的支持。实验最后展示了基于本文研究的模型而开发的实际应用,即EMC测试数据分析系统,并使用实车EMC测试数据进行对系统的结果进行验证。