现代电信网络的特点是大规模、复杂、异构，这就要求必须对网络进行有效地管理以维持其高可靠性和高可用性。告警相关性分析作为网络故障管理中的重要内容，可以辅助网管人员删除冗余告警、定位故障以及预测故障的发生。传统的相关性分析方法由于过多地依赖专家知识而难以适应网络复杂、多变的情况，采用知识发现的方法则可以弥补这方面的不足。本文将知识发现技术应用到告警相关性分析中，研究了情景规则的增量式挖掘、告警预测模式挖掘以及挖掘的实时性等关键问题，取得了一定的成果。主要工作包括： 第一，研究了情景规则的增量式挖掘问题。情景规则是一种重要的告警相关性知识，目前的情景规则挖掘方法大多是基于WINEPI的算法框架。然而，在挖掘参数改变导致的重复挖掘情况下，WINEPI算法的效率很低。本文针对一个重要的参数——时间窗改变而导致的重复挖掘，提出了一种增量式情景规则挖掘算法TWIER，利用原时间窗下的挖掘结果构造约束条件，使之对新时间窗下的候选情景集进行削减，实验结果表明TWIER在重复挖掘的情况下具有比WINEPI更高的挖掘效率； 第二，针对告警数据增加而导致的重复挖掘，本文提出了另一种增量式情景规则挖掘算法IERMA，通过利用原告警序列的挖掘结果构造约束条件，使之对新的告警序列下的候选情景集进行削减，在IERMA上我们也取得了比WINEPI更好的实验结果； 第三，预测模式是另一种重要的告警相关性知识，可用于预测故障的发生。传统方法大多是把预测模式挖掘作为机器学习的问题来研究，基于待预测告警(称为target)构造学习样本。然而由于target代表了故障，通常发生次数比较稀少，采用传统方法难以在少量target样本上获得好的学习效果。本文根据SVM在小样本条件下训练推广