本文将机器学习的思想用于复杂应用系统的性能预测,提出了一类基于机器学习的性能预测模块构建方法。希望创建一种可普遍适用于多类应用软件的,松耦合、嵌入式的标准模板,以减少应用软件添加性能预测模块的开销和风险。该方法首先通过集成化性能测试准备机器学习所需要的训练样本集,然后根据不同算法进行有指导的学习过程,训练之后将分类器封装成性能预测模块嵌入到应用系统之中,继而对用户操作的响应时间等性能属性做出预测,预测的同时保持自我更新以适应变化的系统环境。此方法具有标准化、松耦合、构造简单、适应变化等优势。文章以朴素贝叶斯算法为例,详细描述了性能预测模块的构建过程。基于朴素贝叶斯的性能预测方法与传统预测方法相比,具有准确度高、构造简单、效率高、鲁棒性强等多项优势。在针对某金融服务系统的对比试验中,准确率达65%以上,同时模块本身的训练过程开销也明显少于传统方法。然后本文在朴素贝叶斯预测模块的基础上,对预测方法进行拓展。深度上提出了属性加权和模拟遗传退火两种改进方案,增进了预测的准确度和环境适应能力。广度上使用多种机器学习方法代替朴素贝叶斯算法构建预测模块,通过对比实验总结出不同算法的特点及适用环境,增强了预测模块的拓展性与针对性。