牵引变流器作为机车的电能转换装置，是机车关键部位之一。在列车运行过程中，牵引变流器一直处于工作状态，故障的发生不可避免；且牵引变流器能量密度高，开关频率低，运行工况复杂多变，使得牵引变流器成为机车牵引中极易出现故障的部件。牵引变流器出现故障会使铁路运输中断，甚至可能导致人员伤亡。因此对机车牵引变流器进行故障诊断是确保故障得到及时维修，保障机车安全运行的一个重要技术手段。论文分析了用于故障分类的支持向量机原理。影响支持向量机分类性能主要有两个因素：核函数的选取和参数的优化。本文利用二类分类数据仿真比较了不同核函数对支持向量机分类性能的影响，利用多类分类数据仿真比较了不同参数优化方法对支持向量机分类性能的影响。结果表明，采用径向基核函数及基于交叉验证的网格搜索参数优化算法能使支持向量机分类性能达到最好。利用选择好的核函数及参数优化算法，将C-支持向量机（C-SVM）用于牵引变流器的故障模式分类中，用大量的仿真数据进行训练及测试，得到了理想的分类效果。最后比较了C-SVM与最小二乘支持向量机（LS-SVM）应用于故障模式分类中的优劣，结果表明，C-SVM用于较大样本数据的故障模式分类时比LS-SVM具有更好的泛化性能，分类准确率更高。论文的研究成果对进一步研究牵引变流器的故障诊断技术奠定了一定基础，也对支持向量机方法本身的进一步研究具有一定指导意义。