针对列车超速防护（automatic train protection，简称ATP）系统车载设备故障诊断主要依靠人工经验以及效率低的问题，提出了深度置信网络-汉明距离（deep belief network-Hamming distance，简称DBN-HD）车载故障诊断模型。首先，利用DBN无监督地提取车载故障数据的抽象特征，获得原始数据的低维表示形式，将其输入附加在顶层的分类器输出诊断结果；其次，比较实际输出与期望输出之间的HD，将HD作为误差采用反向传播（back propagation，简称BP）算法自顶向下地微调DBN权值，完成模型训练；最后，利用某局集团公司电务段车载故障数据分析和验证模型参数对模型性能的影响。研究结果表明，与支持向量机（support vector machine，简称SVM）、反向传播神经网络（back propagation neural network，简称BPNN）和DBN进行对比，本研究提出的DBN-HD模型具有更高的正确率和运行效率，适用于实际车载设备故障诊断。