Las señales de los rodamientos del motor de tracción de trenes de alta velocidad contienen un fuerte ruido y exhiben características no lineales y no gaussianas. Para abordar los problemas mencionados, este artículo propone un método que combina el Análisis de Componentes Independientes por Núcleo y el Análisis de Componentes Principales Profundo (KICA-DPCA) para mejorar la precisión de la detección de fallos en los rodamientos. En primer lugar, se utiliza DPCA para extraer a fondo la información de fallos del conjunto de datos, logrando al mismo tiempo el propósito de reducción de ruido. En segundo lugar, se combina KICA para proyectar los datos en un espacio de características de alta dimensión y extraer componentes independientes, separando así los datos en dos grupos siguiendo distribuciones gaussianas y no gaussianas. Además, la ocurrencia de fallos en los rodamientos se determina evaluando los residuos estadísticos en comparación con el umbral predefinido. Finalmente, el algoritmo propuesto se valida tanto en datos de simulación de la plataforma del Sistema de Control de Tracción-Fallo de Inyección Benchmark (TDCS-FIB) como en datos experimentales del conjunto de datos de fallos de rodamientos de la Universidad Case Western Reserve. Se realizan pruebas comparativas utilizando la tasa de falsas alarmas (FAR) y la tasa de detección de fallos (FDR) como métricas de evaluación, lo que demuestra plenamente la efectividad y superioridad del método propuesto.