随着高速无线局域网的迅速发展,并且日渐趋于成熟,高速无线局域网已广泛应用于人们的生活中。然而无线通信会受到冲突、干扰和多路径衰减等多种因素的影响,导致高速无线局域网中的通信链路质量比较差,有着较高的分组丢失率,发送端需要进行多次重传,使信道利用率变低,网络的整体性能下降。如果能准确识别分组丢失的原因,基于识别的结果对链路层协议进行改进,会有助于提高网络的整体性能。但现有的分组丢失识别算法存在高开销、需要专门定制的硬件支持和协议修改等问题,因此,我们需要对高速无线局域网分组丢失识别原因进行研究。为了解决上述问题,本文针对高速无线局域网采用机器学习理论对分组丢失原因进行建模,设计并实现了PLEC/MPLEC（Classification of Causes of Packet Losses and Errors/Multi-classification of Causes of Packet Losses and Errors）两种分组丢失识别算法。最后将MPLEC算法应用在CSMA/CA协议中,对其中的二进制退避算法BEB（Binary Exponential Back-off）进行改进。实验结果表明,改进后的BEB算法可以有效降低重传率提高时间利用率。本论文的主要研究工作如下:第一,分组接收情况测量分析。本论文采用两种不同的实验平台,AR9380与Intel5300,在实验室、楼道和地下停车场三种实验环境下,分别对碰撞、弱链路和干扰通信场景下的分组接收情况进行测量,分析了不同实验场景下接收到分组的RSSI（Received Signal Strength Indicator）、CSI（Channel State Information）和ERR（Physical Layer Error Code Ratio）的统计分布特性。第二,设计并实现了分组丢失原因识别算法PLEC/MPLEC。本文采用机器学习理论对分组丢失原因识别问题进行建模。基于分组接收情况测量分析的结果,提取RSSI均值、RSSI方差、CSI幅值、CSI方差和ERR五种特征向量作为识别模型的输入,输出冲突、弱链路与干扰三种识别结果。最后采用支持向量机对识别模型进行了离线训练和检验,实现PLEC算法;采用卷积神经网络对识别模型进行了离线训练和检验,实现MPLEC算法。实验结果表明,PLEC算法的分类的准确率最少为87%,MPLEC算法的分类准确率最高能达到98.44%。第三,基于MPLEC算法识别的结果改进CSMA/CA协议。识别结果如果是干扰与冲突,采用原有的二进制退避算法;如果识别结果为弱链路,则不进行退避,直接重传。仿真实验结果表明,改进后的CSMA/CA协议能够使数据包的重传率降低25%,时间利用率提高7.8%。