随着网络技术的发展、网络规模的日益扩大,以及承载业务种类的逐渐增多,Internet的发展给人们带来了巨大方便。但是,这些都使得网络中出现故障或性能问题的机会增大。准确、快速地分析网络故障的原因,并做出合理的响应,是保证网络正常运行的有效手段,因此网络故障行为分析成为一个备受关注的研究课题。　　 本文首先概述了网络故障分析现状,其中针对目前网络中存在故障处理流程分析不明确,历史故障信令查询困难以及未来可能存在的网络故障预测等一系列问题进行阐述。利用数据挖掘,文本数据挖掘的技术手段,深入分析和挖掘数据背后隐藏的重要知识。这对于网络设计与规划、故障控制与预测、确保网络传输质量和评价网络性能等都有非常重要的意义。　　 本文以网络故障受理,故障信令以及故障趋势预测作为网络故障行为的主要研究对象。将网络故障的分析和预测作为重点研究内容,基于数据挖掘中的关联规则算法对原始数据关键词进行聚类,在此基础上设计了文本自动处理机,使得原本存在的半结构化和非结构化的文本数据变成系统可以直接处理的文本数据。为了能更好的掌握故障发生变化的趋势,引入了统计学理论和人工神经网络理论,分别利用SVM模型与ANFIS模型两种方法建立预测模型。其中,针对海量网络故障数据的特性、网络故障的特征,运用参数寻优技术构建最佳SVM模型。预测数据与实际测量数据的对比分析表明,该模型预测精度高、误差小,能有效预测网络故障的变化趋势,为网络规划、网络管理做出了积极有益的探索。　　 论文最后是根据实际网络故障数据开发并设计了网络故障综合分析系统(Network Failure Multiple.Analysis system)。将数据挖掘和文本数据挖掘的知识运用到原始故障报文的分类和提取中,同时将SVM和ANFIS模型嵌入到网络故障综合分析系统中。与此同时,由于统计学理论和神经网络数学模型的引入,大大提高了网络故障的预测效果。也为网络故障综合分析系统的进一步扩展打下了更坚实的基础。