近年来,中国高速铁路发展迅速,年新增里程和客运量持续走高,现已稳居世界第一,为国民经济发展和日常便捷出行做出了重要贡献。其中,接触网作为高速铁路牵引供电系统的重要组成部分,是列车的动力来源,其良好的运行状态对保障高速铁路安全可靠运行具有重要作用。目前,随着接触网服役时间的增加和检测手段的完善,大量故障记录在运营和维护过程中被积累,这些数据能真实地反映接触网系统的特征,如何有效地进行挖掘成为目前亟待解决的问题。可靠性评估作为研究接触网故障数据的主要手段对分析系统的可靠程度做出了巨大贡献,但由于接触网故障种类繁多,构建故障树时无法涵盖所有故障项目。然而,关联分析作为大数据技术的一种,对故障项目数量没有客观限制,为从系统角度研究现有故障数据提供了可能。为此,本文采用关联分析技术,深入研究现有算法的实现过程,结合高铁接触网故障数据的相关特性,提出了适合数据本身的挖掘算法,实现了对现有数据的挖掘,并根据挖掘结果对维修决策提供了参考建议。论文主要进行了以下几个方面的工作:首先,研究数据结构和编码理论,了解接触网故障项目和接触网系统的机械组成。通过选择合适的数据结构,为现有接触网故障种类构建了一个五层深度的树状结构,并基于该结构建立了一个完整且可扩展的编码体系,对收集的多个铁路局的故障记录进行数据预处理工作,实现对数据的统一编码。其次,研究现有关联分析的挖掘算法,针对高铁接触网故障数据的稀疏性和层次性,提出了多维信息分析模型,实现了故障记录向事务型数据表的转换,同时降低了数据的稀疏程度。并基于Apriori算法框架,设计了基于故障强度的层次索引挖掘算法(FIHI),其能够有效地从接触网故障数据中挖掘频繁项集和关联规则。然后,针对挖掘结果中发现的频繁项集冗余问题进行了研究,提出了边缘频繁项集的概念,并基于这一概念设计了以其为挖掘目标的新算法(MFIM),实现了挖掘结果的精简,并提高了对故障定位的精确性。实验结果表明,该算法不仅在挖掘结果上优于FIHI算法,在算法效率上也更胜一筹。最后,对生成的关联规则进行研究,提出了多条筛选机制,实现了对规则的有效过滤。利用过滤后的规则建立关联知识库,并提出基于时间切片的更新方法,以保持关联知识库的及时性。根据挖掘结果构建了故障关系网络,并采用故障入度和故障出度这两个指标,实现了故障项目对网络影响的量化分析,从而为维修决策提供建议。