随着互联网的快速发展,信息化时代到来,电网数据体量呈爆发式增长,使得国网信息系统的负载压力不断增强。国网信息系统涉及范围广,层次复杂。而信息系统出现故障又是不可避免的,并且其带来的危害也是不可估量的。那么寻找对故障快速响应和及时处理的方法就是一项具有重要意义的工作。在人工智能技术蓬勃发展的时代,从海量数据中挖掘关键信息,可以使得信息系统故障研判技术更加智能化。国家电网ICT系统在日常工作中积累了大量的信息系统故障报修记录,这些记录大多数是非结构化的描述性的文本数据,很难利用自动化工具进行归类与分析。而且,通过观察发现,一项ICT系统故障的出现,通常有多个成因。针对ICT系统故障报告的特点,本文构建了基于集成学习算法的多标签文本分类模型,从而实现故障的辅助研判。首先从文本挖掘技术出发,抽取原因类别和故障问题描述形成多对一的因果关系。然后对中文文本进行分词,去停用词,向量化等操作。最后,采用将多标签分类算法二元关联(Binary Relevance)与集成学习算法梯度提升(Gradient Boosting)相结合的分类方法进行多标签文本分类。前者用于问题转化,将多标签问题转化为单标签问题;后者用于迭代训练,通过梯度提升提高准确率。实验表明,此方法比基于逻辑回归的二元关联算法、ML-kNN算法处理故障文本的分类效果更好。