La tecnología de localización de fallas de software tiene como objetivo identificar declaraciones sospechosas que causan fallas en el software, lo cual es crucial para garantizar la calidad del software. La tecnología de localización de fallas de software basada en espectro (SBFL) calcula la sospecha de cada declaración analizando la correlación entre la información de cobertura de declaraciones y los resultados de ejecución en casos de prueba. SBFL ha atraído una atención creciente por parte de académicos debido a su alta eficiencia y escalabilidad. Sin embargo, estudios existentes de SBFL han mostrado que un gran número de declaraciones comparten la misma sospecha, lo que dificulta a los depuradores de software identificar rápidamente la ubicación de las declaraciones defectuosas. Para abordar este desafío, proponemos un modelo SBFL basado en minería de reglas de asociación ponderadas y redes complejas: FL-WARMCN. El algoritmo primero utiliza Jaccard para medir la distancia entre casos de prueba exitosos y fallidos, y lo aplica como peso de los casos de prueba exitosos. Luego, FL-WARMCN calcula la sospecha inicial de cada declaración basándose en los datos del espectro del programa. Luego, el modelo FL-WARMCN utiliza un algoritmo de minería de reglas de asociación ponderadas para obtener las relaciones de correlación entre las declaraciones y modela la red basándose en esto. En la red, la sospecha de las declaraciones se utiliza como pesos de los nodos, y la correlación entre las declaraciones se utiliza como pesos de los bordes. Elegimos la centralidad del vector propio que tiene en cuenta la centralidad de grado de las declaraciones y la importancia de las declaraciones vecinas para calcular la importancia de cada declaración, y la utilizamos como peso para incorporar en el cálculo ponderado de sospecha de la declaración. Finalmente, aplicamos el modelo FL-WARMCN para validación experimental en el conjunto de datos Defects4J. Los resultados mostraron que el modelo fue significativamente superior a otros baselines. Además, analizamos el impacto de diferentes pesos de nodos y bordes en el rendimiento del modelo.