近年来,随着电信网络的不断发展,尤其是5G网络的普及,进行有效的网络故障管理的难度越来越高。为了应对网络故障管理中出现的困难,故障场景识别任务应运而生。其目标是基于告警数据对网络中存在的故障场景类型进行识别。有效的故障场景识别能够推动有效的故障恢复。目前,故障场景识别的相关研究主要集中在工业界。其中,基于规则的识别方法是最常见的。然而,这种方法并不能对故障场景进行准确、有效的识别,其对网络故障管理的优化程度十分有限,主要原因如下:首先,基于规则的方法在处理告警信息时可能会面临规则与匹配信息无法匹配的问题;其次,在设计规则的过程中,规则设计人员难以保证新设计的规则与规则库中的规则不存在冲突。最后,一次性的规则设计难以覆盖所有的故障场景,构建完成的规则库需要不断的更新,以此应对电信网络中千变万化的故障场景。为了解决基于规则的方法所面临的问题,本文提出了一种名为“知识增强图神经网络（KE-GNN）”的有效的故障场景识别方法。该方法是第一个将图神经网络（GNN）和专家知识相结合的故障场景识别方法,其目的是整合基于规则（知识）的方法和基于GNN方法各自具有的优势。在设计该方法的过程中,本文主要进行了如下三个方面的研究:（1）本文设计了一个基于命题逻辑的知识表示方法,得到的知识表示可以通过一个编码器映射到一个知识空间中。（2）本文设计了一套“师生机制（Teacher-Student Scheme）”,该机制可以最小化GNN的预测结果和样本标签对应的知识表示之间的距离,进而能够使知识指导GNN的训练,并增强GNN的识别效果。（3）本文收集了三份来源于真实场景的电信网络故障场景数据。三份数据在经过人工打标签的过程后被用于评估故障场景识别方法的实验设计中。在三份数据集上,本文做了充分的实验,目的是评估KE-GNN方法的具体性能。实验结果表明,相比于其他的方法,本文提出的KE-GNN方法能够达到最优的性能,平均的准确率提升为7.86%。此外,当训练样本数据较少或将一个已训练的KE-GNN方法直接应用到一个新的具有不同拓扑结构的网络局点时,KE-GNN方法仍然能够达到最优的效果。