随着电力网的不断发展,电力通信网规模逐渐壮大,其承载的业务也越来越多,早期的故障处理方法已经不能满足日益提高的网络故障管理需求。此外,网管系统每天产生大量重复无用的告警信息会将根源故障淹没,严重影响维护人员定位故障根源和确定故障原因。为了更快更准地发现故障根源并处理故障,急需提出一种快速、智能化的方法对告警信息进行分析,找出它们之间的关联性,进而确定故障根源。告警关联规则挖掘是从历史告警数据中发现有价值的信息,以应用于故障诊断。它通过对数据库历史告警信息进行挖掘,自动发现告警数据的关联关系,发现有价值的告警信息,进而推断出故障根本原因。由于电力通信网原始告警数据具有数据存在冗余、诸多属性对关联挖掘的贡献度不一样、告警数据量庞大等特点,本文对电力通信网告警关联及故障诊断进行了深入研究,具体研究内容及成果如下:针对于原始告警数据存在告警冗余和告警检测存在时间偏差问题,论文提出了一种滑动窗口的告警提取方法,该方法通过合适的滑动窗口宽度和滑动步长来提取告警数据,这消除了告警冗余和时间不同步。由于不同重要度的属性对挖掘贡献不一样,为此论文提出了一种基于小波神经网络的告警加权方法,该方法融合了小波函数较好的时频特性和神经网络较强的学习能力,能够快速判断告警属性组合的重要性,在对告警加权上显得更加科学、合理。当告警数据量逐渐增加时,传统关联规则挖掘方法暴露出了内存不足、挖掘效率低等性能问题,本文对于这个问题研究了一种基于MapReduce框架的加权FP_Growth并行挖掘方法(MWFP),且运用该方法对电力通信网告警数据进行挖掘。对于挖掘出的告警关联规则,本文结合电力通信网拓扑结构分析了其合理性。最后,将挖掘到的告警关联规则推断出了网络新告警发生的根本原因。