铁路在现代综合运输体系一直处于骨干地位,是我国重要基础设施和大众出行的主要交通工具,也是促进国民经济和推动社会发展的重要产业部门。近几年,我国铁路迅猛发展,列车持续提速,列车密度不断加大,对铁路运输安全要求也日趋严格。铁路信号设备在确保列车运行安全,提高运输效率方面发挥重要作用,因此保证其正常运转显得尤为重要。在日常的维护维修中,维修人员主要靠人工经验,并且用文字的形式描述故障设备的处理流程,因此积累了大量的故障文本数据,这些丰富的文本数据蕴含着巨大的信息,对铁路信号设备故障分析具有重大意义。为提升铁路信号设备的故障诊断效率,在对故障文本信息分析的基础上,提出一种基于关联规则的铁路信号设备故障诊断方法。建立故障特征、类型和原因的对应关系,实现铁路信号设备智能化诊断,主要工作包括:（1）本文分析铁路信号设备的维修记录的特点,结合智能决策支持系统设计铁路信号设备故障诊断方案,确定使用产生式表示法对故障维修知识进行表示。（2）基于改进的TF-IDF（Term Frequency-Inverse Document Frequency）算法的铁路信号设备故障特征提取。针对铁路领域的专业性,构建铁路信号设备专业词库。考虑同义词对特征词提取的影响,根据同义词权重规则修正权重公式,并将权重采取离散化处理,实现故障特征提取。（3）基于改进的频繁模式增长（Frequent Pattern Growth,FP-Growth）算法的故障诊断。采用改进FP-Growth算法挖掘出故障特征、类型和原因之间关联关系,实现知识获取,将知识存入故障知识库,为故障诊断提供依据。首先,根据数据特点,采用自适应策略设定最小支持数和置信度,减少用户对算法参数取值的主观性。然后,依据频繁1-项集划分各项的数据库子库,再构造每项的条件FP-Tree,减少内存占用空间,提高运行速率。最终,将关联规则作为知识保存到知识库中,通过智能决策支持系统中的推理机,进行故障诊断。实验证明本文方法运行时间优于传统的FP-Growth算法,平均准确率比案例推理算法和贝叶斯网络算法提高13.02%和9.28%。（4）基于上述对故障诊断的关键技术的研究,设计与实现铁路信号设备故障维修原型系统,按照系统需求分析实现主要功能模块,证明本文方法的可行性与有效性。