随着移动设备数目的激增和用户服务质量需求的提高,网络维护和性能提升的挑战迫在眉睫。同时,覆盖在传统无线网络之上的LTE网络也引入了复杂的异构网络场景,为运营和管理带来了更多的难题。为了解决这些问题,自组织网络近来得到了高度的重视和广泛的研究,其中,故障检测问题即为自治愈功能的一项主要任务。无线网络中的基站故障检测问题包含不同的故障类型,涉及各种关键性能指标,在同构型网络中,基站的故障检测和诊断已经得到了深入的研究。然而,传统的故障检测方法在异构网络中通常无法取得理想的结果,同时,将数据基站与控制基站分层的检测方法存在一定的网络结构限制,因此,异构网络中有效的故障检测方法需要被进一步研究。本文针对异构网络中密集分布的小型基站提出了一种协作预测的故障检测方法,检测流程分为触发过程和检测过程两个阶段。其中,触发过程利用用户数据的空间相关性进行协同过滤,在参考数据集基础上,基站利用其服务用户的RSRP统计数据执行触发算法,并向被监测基站报告触发结果,实现对相邻基站的状态监测。检测过程利用用户数据的时间相关性建立灰度预测模型,在触发过程中被触发的基站通知其相邻基站执行检测算法,并向被检测基站报告检测结果,若被检测基站的异常报告率高于预设阈值,则将该基站判定为故障基站。仿真结果表明,在相邻基站的协作下,这种故障检测方法能够在故障基站仅有少量活动用户,甚至没有活动用户的场景下获得较高的故障检测率。同时,原始数据集不再需要收集到运算中心,与宏基站、微基站、微微基站中传统的统计和数据挖掘方法相比,这种在服务基站中执行运算操作的方法节省了通信开销,具有更好的性能。协作预测的故障检测方法需要预设阈值参数,在不同的网络场景中,阈值的选取过程需要大量实验和人工干预。此外,以用户数据的空间特性和时间特性为基础,线性的分类和预测模型很难充分挖掘其各项特征之间的相关性,因此难以得到准确的故障检测结果。为了减小不确定参数对故障检测问题的影响,实现对非线性可分的用户数据更好的分类,本文进一步研究了径向基函数神经网络在故障检测问题中的应用。我们训练决策树基学习器进行特征选择,并应用结合了突变操作的人工蜂群算法,实现了神经网络参数的全局最优化,从而提升了神经网络分类器的性能。分布式协作的检测方法引入了相邻基站的监测功能,提高了检测准确率,也减少了数据传输消耗,因此可以在密集分布、用户稀疏的小型基站故障检测问题中取得理想的性能。实验结果表明,在用户密度较低的情况下,这种故障检测方法依然能够取得较好的检测结果。同时,随着基站密度的增加,检测性能将会获得显著的提升。