铁路系统的自动化、智能化和集成化程度日益提高导致人机交互的难度也随之加大。因此,人和组织因素已成为引发铁路事故发生的重要原因。为防止类似的事故再次发生,可通过对铁路事故报告的细致分析,确定导致事故发生的源头和传播机理,从而有针对性采取相应的安全策略。本文提出了基于文本挖掘的铁路事故致因分析方法,针对铁路事故文本特点,设计特征提取算法提取事故中人和组织因素并对其进行定性定量分析,论文主要工作如下:(1)为从事故报告中提取导致事故的人因和组织因素,提出了词扩展-隐含狄利克雷分布(EW-LDA)主题模型,利用TextRank算法确定词的重要性,结合词分布和文档分布之间的语义相似度对主题词进行扩展。仿真结果表明,与传统LDA模型相比,本文提出的EW-LDA主题模型能够提取出更多和事故致因相关的特征。(2)基于提取的事故文本特征设计了 HFACS-RAs的改进模型并构建了结构化事故数据集。按照人和组织不同层面对事故原因进行详细分类,将不安全行为的前提条件进行进一步细分为任务条件、环境条件和个人条件,每一个层次根据提取的事故文本特征进一步划分至更具体的因素。考虑到改进的HFACS-RAs中具有父类和子类两级事故致因,利用支持向量机(SVM)将事故报告按照事故致因进行两级分类,构建了结构化的事故数据集。(3)为了找出引发事故的最关键致因,使用改进贝叶斯网络(BN)构建定量分析模型,设计了基于改进卡方检验的贝叶斯网络结构优化算法。以改进的HFACS-RAs模型中上层与下层因素间的关系确定节点间弧的方向,以文本特征提取和分类处理得到事故数据集(AD)为基础,结合无约束0/1优化的卡方检验构建全局因果关系度量,从而实现最优网络结构。针对铁路事故数据特点,设计了基于Logistic回归的条件概率参数学习算法,实现了贝叶斯网络中条件概率参数的估计。(4)将建立的改进贝叶斯网络模型应用于实际案例,验证了模型的有效性,使用贝叶斯网络推理分析了事故的因果关系,同时通过敏感性分析识别了导致事故发生的最关键因素。