En los últimos años, el FDD (Detección y Diagnóstico de Fallas) basado en datos de los sistemas de tracción eléctrica de trenes de alta velocidad ha avanzado rápidamente, ya que la operación segura del sistema de tracción está estrechamente relacionada con la fiabilidad y estabilidad de los trenes de alta velocidad. La complejidad interna y la complejidad externa del entorno significan que el diagnóstico de fallas del sistema de tracción de trenes de alta velocidad enfrenta grandes desafíos. En este artículo, se realiza una mejora del FNR (Relación de Fallas a Ruido) basada en transformada de wavelet para resaltar la información de fallas incipientes y se propone un marco de análisis de diagnosticabilidad basado en Deep PCA (Análisis de Componentes Principales). Primero, se propone un esquema para la mejora del FNR basado en el preprocesamiento de datos de fallas con selección de los niveles de descomposición inteligente y el umbral de ruido óptimo. En segundo lugar, se propone una tecnología de mejora de información de fallas basada en la transformada continua de wavelet desde la perspectiva de la energía. Además, se proporcionan análisis de detectabilidad e isolabilidad de fallas incipientes basados en Deep-PCA a través de descripciones geométricas. Finalmente, los experimentos en la plataforma TDCS-FIB (Sistema de Control de Tracción-Fallo de Inyección Benchmark) demuestran plenamente la efectividad del método propuesto en este artículo.