应用性能分析对构建可靠、稳定、高效的应用软件系统意义重大,但是随着应用规模越来越庞大,应用逐渐采用分布化实现,应用的准确性能分析越来越困难。当前的应用性能管理工具更多的是通过模拟用户行为检测响应时间、错误率等参数进行性能分析,缺少对数据的进一步深入挖掘分析,无法根据应用运行规律发现潜在异常,并给出针对性的优化建议。因此,通过机器学习和知识推理方方法挖堀分析应用运行数据、针对潜在异常给出优化建议是下一代应用性能管理工具发展的重要方向。论文基于机器学习算法和知识推理理论设计了一种深入挖掘应用各项指标参数内在联系、通过指标参数之间的知识推理得到优化建议的应用性能瓶颈分析系统,解决了现有应用管理工具无法分析应用异常行为和给出针对性优化建议能力的不足。论文首先介绍了背景知识以及相关技术,并根据应用性能分析需求,提出了一种典型应用性能瓶颈分析算法。之后根据应用性能管理系统的整体结构,提出应用性能瓶颈分析的位置与工作场景,得出其总体功能需求。其后,基于论文提出的典型应用性能瓶颈分析算法,设计了应用性能瓶颈分析系统的功能结构,内外接口,并对关键流程进行了阐述。在功能结构基础上,论文针对各个模块需要解决的核心问题进行了详细设计,给出详细处理流程,并完成了系统原型的实现。论文最后对应用性能瓶颈系统进行了功能测试和验证,细致的阐述了核心功能模块的测试用例,测试用例结果证明系统原型基本符合要求。