在信息时代,通信系统的重要性不言而喻,当其发生故障时,需要在最短时间内进行排查和修复,这对于运营维护人员的专业要求非常高。为了更快速地帮助他们定位故障,自动故障诊断系统被提出,其高效率和实时性受到了各个通信设备公司的关注。然而一些算法模型如决策树、支持向量机等,对于故障类和故障特征之间的不确定关系无能为力,无法取得突出的效果。贝叶斯网络正是在这样一种情况下受到研究人员的关注。本文针对基于贝叶斯网络的通信系统数据难以标准化和模型构建复杂的问题,主要进行了两个部分的研究:其一,根据贝叶斯网络对数据格式的要求,对通信系统故障数据进行了数据预处理,包括挖掘提取、筛选、清洗等一系列处理流程,初步形成了构建初始模型所需的标准样本,并以此为基础,重点探讨了连续特征离散化算法,对K-means算法和Chi Merge算法进行了改进,以提升它们的离散化效果。其二,不同于以往的贝叶斯网络单纯地依靠基础数据建立,本文在融合专家知识的基础上,使用了Wrapper方法确定初始故障特征域,并进行了贝叶斯网络结构学习,极大地提高了模型的构建效率。本文通过实验验证了两种改进的数据离散化算法的有效性,其中改进的Chi Merge算法相对于分箱法使朴素贝叶斯分类器准确度提升了9.32%;验证融合专家知识的K2算法相对原算法进行贝叶斯网络结构学习有效率提升了14.48%;通过专家知识确定的初始特征域使Wrapper算法的迭代次数从大于50次降低到24次。最终融合专家知识得到的BAN模型诊断成功率达到88.67%,对传统的故障诊断算法模型,其在特征数据缺失条件下也能达到诊断要求。实验结果也证实基于贝叶斯网络的故障诊断模型能应用到实际中来,以满足广大运维人员对类似OLT的通信系统故障自动快速定位的需求。