随着移动通信技术的不断发展与进步,虽然异构网络的提出和使用满足了不同的业务需求,但是也增加了网络的复杂性。同时,伴随着5G网络的大规模商用,由于增强型新技术的不断引入,移动通信网络将变得更加复杂和异构。网络运营和维护的复杂性迫使移动运营商需要寻找新的策略来保持竞争力。然而,现有的网络故障诊断方式大多依赖于人工测试和时间堆积,存在优化周期长、资源耗费大等问题。因此,本文从大数据和人工智能的角度出发,对智能化的网络故障诊断方法进行了深入的研究。本文在介绍已有的网络故障诊断方法的基础上,主要从以下三个方面展开对课题的研究:（1）针对在有效标记样本较少的情况下如何进行精确的4G/5G网络故障诊断问题,提出了一种基于图卷积神经网络（Graph Convolutional neural Network,GCN）的蜂窝网络故障诊断算法。首先分析了4G/5G网络常见的故障类型,然后使用极端梯度提升（e Xtreme Gradient Boosting,XGBoost）算法在采集来的网络参数数据集中选取最优的特征参数子集,再将数据集中的数据作为节点、节点间相似度为边构建图数据,最后利用图卷积神经网络从图数据中提取特征,完成对于节点的分类,从而预测出网络的故障类型。该文在使用仿真网络参数数据集的基础上进行了大量的实验,实验结果表明,与现有的多种算法相比,所提出的方法在使用少量样本的情况下,可以有效提升网络故障诊断的性能。（2）针对基于GCN的蜂窝网络故障诊断算法在实际运用中存在的不足,在利用真实网络场景中采集的网络参数数据集的基础上,首先利用生成对抗网络（Generative Adversarial Network,GAN）对真实数据集进行扩充,解决了真实数据集中人工标注的标记样本过少且样本类别分布不均衡的问题。在故障诊断过程中,先使用朴素贝叶斯模型（Naive Bayesian Model,NBM）结合领域专家知识对网络参数数据集进行预诊断,根据预诊断的结果生成数据间的拓扑关联图。然后,将作为预诊断先验知识的拓扑关联图与训练数据集同时输入到GCN模型中进行模型的训练,并对原始GCN进行改进来分别调整模型训练过程中预诊断先验知识和训练集大小对模型精度的影响。实验结果表明利用GAN生成的数据符合真实数据的数据分布,同时由于所提算法将预诊断知识和深度学习有机地结合起来,与其他传统的网络故障诊断算法相比,可以取得更好的诊断准确率。（3）设计并实现了基于大数据的网络故障诊断可视化平台。该网络故障诊断可视化平台主要是通过前后端技术实现的,通过后端服务对网络参数数据集进行分析和处理,再利用前端技术将网络故障诊断结果进行可视化展示。