日益增长的铁路营业里程和客货运需求使得人们对铁路运输的安全性提出了更高的要求。在铁路运输系统结构复杂性和非线性的背景下,铁路事故发生的机理更加复杂。挖掘并学习历史事故数据中的有效信息对提升系统安全性具有重要意义。然而当前铁路事故数据多以文本形式存储,研究人员和管理者难以有效、充分地识别并利用其中的潜在信息。为了精准、高效地处理和分析铁路复杂系统内大量的文本型事故数据,本文综合利用文本挖掘、关联规则挖掘和复杂网络分析等技术手段,提出了铁路事故致因关联规则和动态演化行为的分析方法。在此基础上,聚焦铁路运输生产活动中的人员作业过程,以铁路作业事故为例,深入研究致因间的关联关系和事故成因规律,为铁路运输安全管理决策提供参考。具体研究内容如下:（1）运用文本挖掘方法,提出了铁路事故致因因素的挖掘流程。对铁路作业事故进行定义并分类,以2016-2018年三年间共计2618份铁路作业事故的调查报告为例,确定了71个铁路作业事故致因因素,利用Python编程挖掘每起事故的致因因素,建立了结构化的铁路作业事故致因数据集,为后续研究提供数据支撑。（2）设计了基于Apriori算法的铁路事故致因关联规则挖掘流程,并针对传统关联规则分析方法的不足,提出了一种基于复杂网络的铁路事故致因关联规则分析方法。以铁路作业事故致因数据集为例,挖掘致因间的强关联规则,并选取支持度和置信度较高的关联规则进行初步分析。在此基础上,引入复杂网络理论对强关联规则进行拓扑,构建了一个由118个节点和334条边组成的铁路作业事故致因关联网络。通过对网络进行视图分析、社团划分和拓扑特征分析,发现了铁路作业事故的关键因素以及因素间的内在联系。结果表明,关联规则呈明显的聚集特性,所提出的关联规则分析方法进一步揭示了挖掘结果中的隐藏信息。（3）基于复杂网络动力学和改进的传染病模型,提出了一种铁路事故致因动态演化行为建模和仿真方法。考虑节点的重要性,提出了改进的系统感染水平和恢复水平参数,并定义了元素的状态和演化过程,之后构建了分阶段的事故致因演化动力学模型,并设计相应的仿真方法。以铁路作业事故致因数据集为例,以关联规则的置信度为权重构建了铁路作业事故致因演化网络。在此基础上,利用Python编程对不同参数条件下和不同网络结构下的铁路作业事故致因动态演化行为进行仿真和分析,验证了模型的有效性,揭示了铁路作业事故预防的难点。