随着近年来大型系统和复杂应用越来越普遍,传统的基于人工策略的应用性能分析与运维已经难以为继,同时可采集的数据量的提升以及硬件资源种类的增加,在应用运行期间分析多性能参数之间的关系成为重中之重。因此,更加自动化的、更加智能的应用性能分析是下一代应用性能管理的发展方向。本论文基于半监督学习的数据挖掘与机器学习的相关算法,设计了一种适用于分析多参数应用运行数据的应用性能分类分析系统,能够深入挖掘目标应用的运行特征,并支持目标应用消耗硬件资源的行为模式分类和异常行为模式的检测功能,解决了如何完善的描述应用行为模式、如何判别应用异常行为的问题,为用户进一步捕捉异常、定位性能瓶颈、做出优化分析提供了依据。本文首先介绍了背景知识以及相关技术,随后对应用性能分类分析系统进行了详细的需求分解,并按照需求分析提出一套完整的典型应用性能分类分析算法,包括自适应的特征提取算法、基于半监督学习的模式分类算法等。接下来本文阐述了应用性能分类分析系统的总体功能结构划分、数据结构设计和内外结构设计,对不同模块与系统之间的交互流程作了详细描述,最后完成了系统的原型实现。通过详细的测试用例和测试结果分析,符合系统需求和功能的预期,证明了该系统的可行性。