铁路运输系统在我国交通运输系统中具有至关重要的作用,铁路系统的安全运营一直是人们重点关注的问题。随着越来越多自动化及智能化新技术和新装备的应用,使得铁路系统能够存储大量的运营数据。因此,通过学习以往的大量事故数据,把握事故致因间的相互作用及事故的发生机理,对于降低事故率、保证铁路系统的安全运营具有重要的意义。本文提出了基于文本挖掘和复杂网络理论的铁路事故致因分析方法,论文主要工作如下:(1)基于Bi-LSTM-CRF模型构建了致因事件及事件关系联合提取模型。通过将描述致因事件的文本片段看作一个实体,运用命名实体识别的思想将事件及事件间关系提取转换成序列预测的任务,同时针对关系标签重叠的问题提出一种新的标签标记方法,将关系提取转化为多标签分类问题,构建了基于Bi-LSTM-CRF模型的致因事件及事件关系联合提取模型,输出结构化的数据。事故文本数据实验表明构建的联合提取模型具有较好的提取效果。(2)在致因事件及事件间的相互作用关系基础上构建了描述事故发生过程的因果事件链,对于具有较高文本相似度的事件描述进行合并,辨识了导致事故发生的影响因素,统计了事件间相互作用的频率,构建了有向加权的铁路事故致因网络模型并对模型的结构特性进行了分析。(3)面向铁路事故致因网络模型的特点,提出了用于铁路事故致因节点重要性排序的RACNNR算法,识别了对各类事故的发生影响较大的关键致因。与常用的节点排序算法相比,RACNNR算法不仅考虑了连边的权重,同时考虑了节点间的不同作用,能够更全面体现节点在网络中的影响程度及节点在对于各种事故类型节点的重要程度。(4)为了探究致因间动态作用过程,在铁路事故致因网络模型及致因节点重要度的基础上,通过构建级联失效模型模拟了危险在事故致因间的传播过程。综合考虑节点的重要度、节点间的作用强度、实际数据的传播概率制定了危险负荷分配准则,识别出了影响最大的危险演化传播关键路径。