自从第一代移动通信设备问世以来,移动通信网络经过近几十年的快速发展,已经形成了庞大的规模。现如今,2G、3G和4G网络并存,5G也逐渐建成和商用,网络环境日益复杂,产生的问题也越来越多。为了更好的解决网络问题,提高工作效率,采用人工智能算法进行网络优化是未来发展的趋势。机器学习是实现人工智能的一种常见途径,它能够使机器学习到人类的行为,自主的进行学习判断。利用机器学习的特性,可以将网络优化中的专家经验,转换成机器自主分析学习的能力,从而实现网络优化的智能化。本文介绍了网络优化的相关知识和流程,总结了当前常用的机器学习方法,就机器学习在网络优化中的应用进行了研究,在基于路测数据的网络质差小区研究和基于测量报告(MR)数据的上行干扰分类研究中提出了新的优化思路。针对现阶段路测分析主要依靠人工,路测数据应用不足这一问题,本文利用小区数量较少的路测数据,提出了一种基于距离的四维特征的质差小区检测方法。该方法采用人工判断和聚类算法相结合的方式对路测数据进行标定,对比分析了基于距离的四维特征和传统的两维特征的提取效果,并在逻辑回归分类器、决策树分类器、支持向量机(SVM)分类器和k近邻(kNN)分类器这4种分类器中进行分类,得到效果最好的分类器。在LTE网络优化中,降低或消除上行干扰是首要任务。本文描述了目前FDD-LTE网络上行干扰优化方式,并根据现网进行上行干扰排查的判别标准和工作原理,设计实验实现智能化的上行干扰优化方法。首先对样本数据(MRO)中的上行干扰数据提取有意义的统计干扰特征,结合上行干扰机制和优化经验进行干扰类型标注。然后对决策树和随机森林进行分析和比较,确定随机森林解决问题的优势,并建立基于随机森林的FDD_LTE上行干扰分类模型。为了改善上行干扰数据的不平衡性带来的问题,本文最后利用S-随机森林算法和加权随机森林进行分类,并分析了人工合成少数类过采样技术(SMOTE)算法和加权随机森林的类权重对分类结果的影响,设定了最合适的算法参数,使得基于改进的随机森林上行干扰分类模型获得最优划分,进一步提高了上行干扰分类的精度。