随着现实世界的网络化,复杂系统的规模在不断扩大,一旦系统出现故障,将降低效率或失去预定功能,甚至引发灾难性事故。因此,在故障发生时,及时进行故障诊断是相当重要的。故障诊断技术是查找故障原因的关键手段,故障定位是故障诊断的核心内容,能根据故障表现,确定发生故障的大致部位,对实现复杂系统的高效维修有着至关重要的指引作用。当前,复杂系统越来越庞杂的结构导致故障传播频繁发生,给故障源的准确定位带来了困难。实现故障定位的前提是建立基于系统特点、体现故障发生、传播和放大特性的模型。传统的故障定位方法针对故障类型和表现的因果关系进行粗糙建模,忽略了复杂系统所表现出来的复杂网络动力学特性,尤其是社团结构对故障传播的影响,进而造成定位结果不够理想。本文从社团结构的角度出发,提出一种全新的复杂系统故障定位方法。首先,为了得到合理的社团结构,本文基于复杂网络拓扑理论,提出一种新的社团划分算法Mf-Net以适应不同结构网络的划分需求,解决传统划分算法对节点关系强度的度量方法单一、划分效率不高的问题。Mf-Net算法采用多属性融合的策略,从不同角度选择了三个属性来度量节点关系强度,引入模块度以客观地确定各属性的加权值,从而提高划分准确性,并采用动态算子、免疫检测因子和反向学习机制改进免疫网络的搜索精度和速度,实现社团的快速划分。其次,依据Mf-Net算法对复杂系统抽象出的复杂网络进行划分,得到较为合理的社团结构,在此基础上分析网络中各节点的故障传播能力,建立具有动态性和时间性的线性阈值故障传播模型,把节点的故障发生率作为故障源定位的主要参考依据,并结合深度优先遍历和回溯技术划分故障区域,预测故障传播路径,确定故障源。最后,选用实验数据集和评价标准验证上述方法的合理性和准确性。首先通过三个真实数据集进行Mf-Net算法的实验验证,并将实验结果与GN、FN、LPA以及基于节点依赖度的算法作对比,结果表明,Mf-Net方法具有较高的划分准确率和良好的性能。然后在两个复杂系统数据集上进行定位方法实验,并将实验结果与其它算法对比,验证了基于社团结构的定位方法的及时性和准确性。