如今日益复杂的网络环境与场景对于网络故障诊断技术提出了更高的要求,传统的人工故障检测方法无法应对大规模网络场景下发生的微小故障,而现有的网络监测硬件或软件又会对被监测的网络环境产生影响,且对技术人员关于网络协议和网络管理技术的要求较高。本文通过对网络故障诊断的相关技术进行调研和分析后,重点研究了基于数据驱动的网络故障诊断方法。本文首先研究了机器学习中常用的反向传播（Back Propagation,BP）神经网络、径向基函数（Radial Basis Function,RBF）神经网络以及卷积神经网络（Convolutional Neural Networks,CNN）。使用小批量梯度下降算法（Mini-Batch Gradient Descent,MBGD）算法对BP神经网络的参数进行优化;使用监督学习的方式来修正和确定RBF神经网络的RBF中心与扩展常数;结合MBGD算法的思想,使用自适应矩估计（Adaptive Moment Estimation,Adam）算法、Dropout算法优化CNN。最终建立了基于BP、基于BRF以及基于CNN的三种网络故障检测算法与模型,并在KDDCUP99和NSL-KDD数据集中验证了算法的准确率和可行性。基于CNN的网络故障检测算法训练速度快,准确率高且适用性好。此后,本文提出了一种基于旁路镜像的被动式网络数据采集方法,在不对被监测的网络拓扑结构产生影响、不占用被监测网络资源等前提下采集网络数据。搭建了实际的网络环境场景,设计产生物理断线、网络拥塞以及设备宕机三类故障,使用WireShark软件采集网络数据包,得到超过200小时的原始网络数据包。分析WireShark的解析内容,构建数据字典,并以此提取原始数据包中传输层及以下的特征信息,构建了含有39个特征的初始数据集。最后,本文提出一种基于流量特征提取网络故障初始数据集的方案,使用一秒的时间窗口提取初始数据集中的统计信息,构建了含有38个特征的网络故障数据集。此后分别使用基于BP、基于RBF、基于CNN的三种算法对该数据集进行训练和测试。基于BP的算法最高可以达到87.4%以上的准确率,但随着迭代次数的增加会发生过拟合现象;基于RBF的算法准确率最高能够达到86.5%左右,但需要大量的模型训练时间;基于CNN的算法最高可以达到88.3%以上的准确率,且模型训练的速度最快。实验结果验证了本文构造的数据集对于网络故障诊断具备一定的应用意义。