持续膨胀的网络应用以及业务需求使计算机网络越来越规模宏大,致使网络管理变得更为复杂、运维成本高涨,而其中网络故障诊断便是网络运维的核心问题。在复杂的网络系统发生故障时,如何快速精确地诊断出所发生网络故障,从而为用户提供高可靠性的网络服务,是网络运维工作急需解决的问题。虽然业界已经对网络故障诊断问题进行了许多研究,并且从故障关联规则、专家诊断模型等技术点出发,提出了一些故障诊断方案,但是面对着日益庞大的网络体系以及业务需求,这些网络故障诊断方案依然存在着诸多不足,例如故障诊断成本过大、诊断效率以及准确率低下等。针对这些网络故障诊断方案中普遍存在的不足,必须寻找一种切实可行的网络故障诊断方案。基于研究人员对网络故障的多年研究观察,网络故障的发生往往会伴随着网络特定状态的出现,形成一定的模式,所以网络故障诊断问题也是一种模式识别问题。随着近些年人工智能技术在模式识别方面取得的巨大进展,把网络当中的网络状态信息与人工智能的经验相结合,为网络故障诊断提供了新的研究思路。本文针对当下网络中多子域的网络场景,从集中式故障诊断角度对该问题作出了新的思考,具体地,本文的主要研究工作及研究成果总结如下:1)针对集中式故障诊断模型中训练样本维度过高的问题,使用了 SVM算法来进行故障诊断。该算法旨在样本空间中寻找可以将故障样本分离的超平面,而寻找超平面的问题最终会转化为极大化间隔的凸二次规划问题,因此该算法对样本维度并不敏感。本文通过仿真验证,对各类故障诊断结果进行了分析,证明了 SVM故障诊断算法的有效性。2)针对故障样本空间随时间越来越大的问题,从故障样本降维的角度,使用了PCA-BP算法来进行故障诊断。该算法首先通过PCA技术将样本映射到低维空间,找到样本的主要成分,最后再将新样本输入到BP网络进行诊断模型的训练。本文通过仿真验证,对算法诊断准确率进行了分析,证明了 PCA-BP故障诊断算法的有效性。3)针对PCA降维过程中可能出现有效信息丢失的问题,提出了基于深度卷积的故障诊断算法。该算法通过对网络特征视图进行多层次卷积,对原始低级信号进行深度学习,从而提取出高级特征,之后再针对这些高级特征进行诊断学习。本文最后通过仿真实验,与PCA-BP算法诊断准确率进行对比,证明了算法的有效性。