为了满足多样化业务需求,无线网络结构日益复杂,网络参数也急剧增多,运营商的运维压力与日俱增。为了减轻人力投入与网络管理成本,国际标准组织提出了网络自组织技术,以实现无线网络的智能化管理。其中,小区中断管理作为网络自组织的重要组成,旨在自动探测与诊断蜂窝小区的中断,并通过周围小区进行覆盖或容量的补偿,以减少覆盖空洞和缓解容量下降。当前,小区中断探测研究大多基于监督学习,需为每条小区历史数据附上对应的中断状态标签,性能有待提升。此外,小区中断补偿一般基于集中式架构,需获取网络全局信息,开销大,实现难度高。为了解决上述问题,本文研究了基于无监督学习的中断探测方法和基于多智能体深度强化学习(Deep Reinforcement Learning,DRL)的中断补偿方法。具体地,主要工作和贡献如下:1、针对小区中断状态标签数据难获取的问题,设计并实现了一种联合自组织映射(Self Organizing Map,SOM)和聚类的无监督小区中断探测方法。该方法通过SOM提取小区关键性能指标数据的特征,在模型训练完毕后,再将具有输入数据特征的神经元进行聚类,并通过分析每个类的统计特征得出对应的小区中断状态。与传统基于监督学习的中断探测方法相比,所提方法无需为收集的大量关键性能指标数据逐条打上对应的中断状态标签,从而减轻了人为工作量。硬件实验结果表明,所提方法在探测准确率上优于其它基于无监督学习的对比方法,逼近基于监督学习的对比方法,且可实现近实时的探测。2、针对集中式补偿方法需获取全局信息、开销大的问题,设计并实现了一种基于DRL的小区中断补偿方法。基于与网络环境的交互,每个补偿基站利用一个DRL模型根据小区局部状态进行天线下倾角和用户功率调整,同时根据小区的性能进行补偿策略的更新,最终实现仅利用局部信息的小区中断恢复和网络容量优化。通过与最优补偿方案、基于遗传算法的补偿方案等进行对比发现,所提分布式方法可有效恢复中断小区用户性能且达到接近最优的系统容量。3、针对中断探测方法难以在真实网络中进行性能验证的问题,基于开放式空中接口开源平台,构建了一套中断探测演示平台。该平台由服务器侧软件、基站侧软件以及用户侧软件构成。服务器侧软件负责持续收集基站所在小区的关键性能指标数据,并利用该数据对所提中断探测方法进行训练。基站侧软件和用户侧软件则用于接收服务器侧软件指令,并直观展示小区、用户的性能指标。模型训练好后,利用脚本使小区间歇性处于不同的中断状态,从而可对中断探测方法的在线探测精确度和探测时间进行有效评估。