Los datos de texto de fallos de señales ferroviarias contienen una cantidad sustancial de experiencia en mantenimiento experto. Extraer información valiosa de estos datos de texto de fallos puede mejorar la eficiencia del diagnóstico de fallos para el equipo de señales, contribuyendo así al avance de las operaciones y la tecnología de mantenimiento ferroviario inteligente. Considerando que las características de diferentes equipos de señales en operación real pueden llevar fácilmente a una falta de datos de fallos, se propone en este artículo un método de diagnóstico de fallos para equipos de señales ferroviarias basado en la augmentación de datos y un mecanismo de atención mejorado (DEIAM). En primer lugar, el conjunto de datos de fallos original se preprocesa basado en la tecnología de augmentación de datos y se retienen las operaciones de sustantivos y verbos. Luego, se construye la red neuronal integrando un modelo de memoria a largo y corto plazo bidireccional (BiLSTM) con un mecanismo de atención y un modelo de red neuronal convolucional (CNN) mejorado con un mecanismo de atención de canal. El método DEIAM puede capturar de manera más efectiva las características textuales importantes y las características de secuencia en los datos de texto de fallos, facilitando así el diagnóstico y la clasificación de dichos datos. En consecuencia, mejora la experiencia de mantenimiento de fallos en el lugar al proporcionar información más precisa. Se realizó un estudio empírico sobre un conjunto de datos de fallos de 10 años de equipos de señales producidos por una oficina ferroviaria. Los resultados experimentales demuestran que, en comparación con el modelo de referencia, el modelo DEIAM exhibe un rendimiento mejorado en términos de precisión, exactitud, recuperación y F1.