近年来,以小波分析、EMD（Empirical Mode Decomposition）、EEMD（Ensemble Empirical Mode Decomposition）等为代表的时域分析方法被广泛应用于柴油机故障的分析与诊断中。在特征值的识别领域,能量熵、排列熵、奇异值以及时域特征等被应用于特征参数的提取。在分类组合问题上,支持向量机、神经网络等分类算法被应用于故障诊断中。通过时域、频域分析提取构建振动、振声信号的特征向量并利用分类算法进行故障诊断的方法日趋成熟。但对于复杂情况下的高压共轨系统故障诊断研究仍不深入,高压共轨系统故障诊断所延伸出来的一些相关问题仍未得到解决。为解决高压共轨系统故障问题及相关问题,本文首先通过台架试验,获得了高压共轨系统3种运行工况、5种运行状态共15种运行情况下的轨压信号、流量信号、喷油压力信号、控制信号等相关运行信号。为进一步提高所得信号特别是轨压信号的质量,本文先使用一阶低通模拟滤波器对原始轨压信号进行降噪处理,再使用分形插值对降噪后的轨压信号进行拟合处理,以得到不含噪音的、高质量的轨压信号并验证了此方法的正确性与准确性。依照台架试验获得的相关数据使用AMESim建立了一维仿真模型并对模型进行了验证。对于高压共轨系统故障诊断问题,本文共研究了包括两种频域分析方法,两种信号分离方法,四种特征值选择方法与两种故障分类方法在内的多种可以使用的故障诊断策略,相互组合成总共86种高压共轨系统故障诊断方法,展示了其中一种的诊断流程,分析了不同故障诊断策略的优劣,给高压共轨系统故障诊断的选择提出了参考。另一方面,几乎绝大多数故障诊断方法都需要足够的训练数据才能构建故障诊断模型,当可供训练的样本数量较少时则无法进行故障诊断。为解决高压共轨系统小样本故障诊断问题,本文研究了当训练数据较少时如何通过拟合样本扩充训练数据,以此解决了高压共轨系统小样本故障诊断问题,进一步提高了高压共轨系统故障诊断方法在实际工程上应用的可能。