计算机网络已逐渐成为21世纪全球最重要的基础设施，随着网络规模不断扩大，网络应用不断增加，原有的网络故障管理系统由于功能单一、操作复杂、效率低下，已不能满足发展的需要，如何保证网络快速、安全、稳定地运行已成为人们关注的焦点。本文将分层分布式智能技术引入故障诊断领域，通过开展关键技术研究，使故障自动定位和智能诊断成为可能。 本文主要研究工作和取得的成果如下： (1) 提出一个基于移动Agent的网络故障分布式诊断框架结构DTSMA，描述了整个框架中各组成部分的作用和各个模块的工作流程，介绍了域内和域间故障管理的策略，并通过故障管理的实验验证了DTSMA策略的有效性。 (2) 提出一种基于故障关联技术的物理层故障定位方法，把物理层故障诊断分为两个阶段：故障定位和故障诊断。在故障定位阶段采用了故障关联算法，在故障诊断阶段用的是基于事例推理的方法，这样有利于提高故障诊断的效率。故障关联算法依据故障之间的关联关系，运用图论和邻接矩阵的方法求出根故障集。根据故障之间的相关性由故障关联算法确定故障源，有效地起到故障过滤和定位的功能。 (3) 提出一种基于粗糙集神经网络的网络链路故障诊断算法，将知识系统技术应用于链路层故障诊断中，针对故障诊断问题的需要，构建一个故障诊断知识库；针对知识库中可能存在的知识规则冗余问题，提出基于粗糙集理论的知识库规则约简方案，降低知识规则的冗余度；由于诊断问题的实质是一种映射，将神经网络模型引入故障诊断系统，用一种前馈型网络来逼近这种映射关系，神经网络的学习样本来自于知识库中的知识规则，实现对网络故障的分类。 (4) 提出一种基于模糊神经网络的网络拥塞控制方法，通过构建模糊神经网络，利用模糊神经网络处理不确定性问题和自学习能力，进行网络流量预测。推理结果鲁棒性高，能准确地捕捉流量随时间变化的特征，较好地解决了网络拥塞控制问题。 (5) 提出一种基于支持向量机的应用层故障检测模型，对模型各个组件的功能、机制、实现进行了深入探讨，对用于检测的网络数据特征，利用异构数据集上的距离度量函数进行预处理，既避免了因训练数据规模过小而导致的训练结果太差问题，又减少了训练时间，提高了训练效率。在训练数据的过程中，运用模糊数学理论，考虑不同的网络数据特征对检测结果的影响程度，提出了一种加权博士论文处理方法，并通过实验数据说明该方法在检测精度上有所提高。对由于样本的不均衡性而导致的某一类型的检测率偏低问题，也作了相应研究，提出一种提高其在训练数据中比例的方法，使检测率得到很大提高。 (6)提出一种基于核方法和自组织映射神经网络的网络故障可视化诊断和动态监测模型，通过网络故障征兆收集智能体，收集并且预处理被诊断该网络的故障征兆信息，该信息被传送到位于诊断中心的网络故障诊断智能体，用作诊断及可视化。该方法的优点是网络故障诊断智能体可以以可视化的方式诊断网络的故障，并且动态监控网络的运行状态。仿真实验结果证明了方法的有效性和鲁棒性。关键词:网络智能诊断，简单网络管理协议，移动Agent，粗糙集，拥塞控制，模 糊神经网络，支持向量机，可视化，自组织映射