随着网络技术和应用的普及与发展,在为人们生活带来便利的同时,也带来了许多网络安全问题。诸如在软硬件和协议等的具体实现或者系统安全策略上存在的缺陷,从而可以使攻击者能够在未授权的情况下访问或破坏系统、在安全验证环节中口令存在可破译性的薄弱环节、攻击者可以通过某些服务或者端口对系统进行监视等等安全问题。因此针对可能引发计算机网络系统故障的一系列因素,本文提出了一种基于故障树分析法（Fault Tree Analysis,FTA）和反向传播神经网络（Back Propagation,BP）的网络系统故障诊断模型,来监测和分析计算机系统中出现系统故障的可能,通过故障预测模型及时对计算机不稳定情况做出预警,从而保障计算机网络系统的良好运行。本文的研究工作主要从以下几方面展开:（1）针对如何将故障树分析法中得到的数据通过有效的方法转化为BP神经网络所需要的训练数据这个问题,本文提出了使用模糊数算法计算各个基础事件的模糊区间以及导致系统故障的最小割集和各个基础事件导致系统故障的结构重要度系数,将这些数据分别对应BP算法的输入信息、输出信息、权值信息以及阈值信息,提前对BP神经网络进行提前量的设置,有效降低预测模型学习和训练的压力,从而提高预测模型的整体效率。（2）针对传统BP算法中激活函数在遇到输入过大或过小的情况会出现梯度消失以及训练大规模数据集时出现导数计算复杂计算量过大导致训练效率低的问题,本文引入了softsign函数和Re LU函数应对不同情况进行调整,有效解决梯度消失和导数计算复杂的问题。（3）通过仿真实验对本文所提出观点的有效性进行验证。本文采用三种分析模型对KDD CUP 99数据集进行仿真实验分析学习,通过对比各个模型的预测效果与模型性能验证本文提出模型的有效性。实验结果证明,使用该模型预测计算机网络系统的故障情况的最高准确率达96.51%,平均准确率为90.67%,相比传统的BP模型和极限学习机（Extreme Learning Machine,ELM）模型在精确程度和稳定程度方面均有提高,实验结果证明了该方法的有效性。