近年来,移动网络提供了无处不在的通信网络接入和高速的无线网络带宽,为了提供高可用和高速的无线网络,无线通信网的结构变得复杂,网络节点密度也不断提高。为了能够让大量的无线接入节点稳定工作,通信运营商在网络运维方面的投入越来越高,但对于反映无线网络性能状态的接入网关键性能指标数据的利用率仍然较低。目前运营商在现网主要通过设定阈值,来判定指标是否异常。虽然这种方法方便快捷,但是对于多种指标同时衰减到阈值附近的情况,却无法识别。此外,在关键性能指标之间,复杂的通信网络流程和原始数据之间的关联使得它们存在不同程度的相关性。这些关联关系隐含着造成网络性能劣化的因素,需要合适的方法将不同程度的相关性进行区分,为网络性能劣化的因果推断提供数据支撑。针对上述问题,本论文主要研究将数据挖掘方法应用到无线接入网性能指标分析中,旨在通过数据挖掘的分析方法实现网络性能的异常检测和指标相关性的识别,为无线网络运维提供更好的数据支撑。首先,本文提出基于自适应密度聚类的无线网络性能数据异常检测方法。通过对无线接入网关键性能指标数据的预处理,剔除错误数据和空缺数据,筛选具有代表性的关键性能指标;然后利用模拟退火算法对聚类算法的参数实现自适应的选择,实现自适应的密度聚类方法,完成对数据记录中异常记录的发现。数据实验和分析结果表明,该方法可以准确的发现网络关键性能指标记录中的异常数据。然后,为了发现指标之间多种复杂的关联关系,提出基于密度聚类方法的指标关联性分析方法。基于密度的聚类算法利用局部密度和距离较高密度簇中心的距离两个参数的刻画,实现聚类中心的自动发现。通过聚类算法,完成对不同相关性的数据进行区分,实现具体相关性的发现。通过数据实验和分析,该方法可以有效的分离指标间的多种关联性,为网络指标变化的因果推断提供数据支撑。综上,本论文提出的基于数据挖掘方法的无线接入网性能指标分析方法,在关键性能指标的异常检测及相关性发现中具有较好的准确度和适应性,达到预期研究效果。