随着5G和物联网技术的飞速发展,网络设备的数量快速增长,促进了电信业务量和业务种类的不断增加,同时也使得电信运维不可避免地面临优化升级的问题,急需向智能运维（Artificial Intelligence for IT Operations,AIOps）发展。容量可以理解为预先分配给特定应用系统的资源上限。AIOps白皮书的能力框架中主要描述了效率、质量和成本三个常见应用场景,有各自的研究要点。质量方面包括异常检测、根因分析等;成本方面包括性能预测、容量管理等;效率方面包括智能决策、智能问答等。现有的关于AIOps的研究主要关注于质量方面的异常检测和根因分析,对于成本方面容量管理的研究则很少,故本文结合电信行业,对AIOps中容量管理部分进行研究。本文的研究主要从容量数据分类、指标趋势预测、容量规划和算法工程等方面展开。首先,针对电信运维中容量性能指标种类繁多,数据特征不尽相同,提出了基于动态时间规整（Dynamic Time Warping,DTW）的电信容量数据类型划分方法,将性能指标数据序列划分为周期型、趋势型和不规则型。其次,针对使用同种方法对所有容量指标数据进行预测得到的预测效果参差不齐的问题,提出了基于容量数据特征的指标趋势预测方法。该方法针对周期型容量数据,提出了忙闲分布分析方法,并设计了一种充分利用忙闲分布信息的指标预测模型,该模型在电信运营商提供的数据集和Azure数据集上均有较优表现。第三,设计了基于遗传算法的业务系统容量规划方法。该方法利用梯度提升决策树（Gradient Boosting Decision Tree,GBDT）建立模型,分析系统的硬件性能指标和业务数据指标的关联关系,为容量规划提供基础;针对新建系统,将目标调用量和业务调用量预测模型代入适应度函数,利用遗传算法计算出容量规划方案;针对运行中系统,提出基于指标趋势预测的系统容量规划方法,利用本文提出的基于容量数据特征的性能预测方法预测下一时刻的业务调用量,将其作为目标调用量,和多维指标模型一起代入适应度函数,得到容量规划方案。最后,结合电信行业,研究了基于容量数据特征的指标趋势预测方法和系统容量规划方法在实际的AIOps容量分析与管理系统中的应用。