随着信息技术的快速发展，计算机网络已经成为人们工作、生活必不可少的基础设施。与此同时，网络的规模和复杂性出现了爆炸性的增长。这使得传统的依靠人工方式进行的网络故障诊断陷入了困境。高效、准确的智能化网络故障诊断技术成为人们的迫切需要。本文对网络故障诊断中的故障定位和故障检测两个问题进行了相关的研究。 由于网络的互联性，网络故障之间存在着一定的关联关系，单一的网络故障可能导致大量的故障现象。而每一个故障现象都会作为独立的事件被网络故障诊断系统所捕获。网络故障定位就是要根据事件关联关系，从多个故障事件中定位故障源。本文在现有技术的基础上，给出了一种基于关联图和案例库的故障定位算法。该算法使用有向图表示故障间关联关系，并利用图的性质进行定位。其特点是能够处理多故障间复杂的关联关系。同时添加了案例库的支持，提高了定位效率。实验表明，该算法具有良好的效果。 故障检测的职责就是要利用已有信息，建立故障特征参数和故障原因之间的映射关系。当网络发生故障时，通过分析实时故障特征参数找出故障发生的可能原因。本文研究了若干种现有的网络故障检测方法。针对BP神经网络故障检测方法中神经网络规模大、训练慢等问题，将粗糙集理论应用于神经网络训练样本集的约简。为了保证约简的效果和速度，选择了一种基于属性重要性的启发式约简算法。仿真实验结果表明，改进后的方法缩小了神经网络的规模，提高了检测的准确率。