性能分析对构建高效率的计算系统意义重大,但随着云计算的流行,计算系统日益复杂,性能分析工作变得十分困难。而现有的性能分析工具,主要采取用户行为模拟等手段,关注用户体验,监测响应时间、错误率等参数,弱化了分析部分;同时只适用于Web类用户交互应用,无法应用于诸如科学计算等领域。因此,下一代性能分析工具的设计开发工作迫在眉睫。本文基于机器学习算法设计了一种深入挖掘应用各项性能指标内在联系,统筹多指标联合定位应用问题的专家决策系统,解决了现有分析工具定位分析问题能力不足,适用场景有限的问题。本文首先介绍了背景知识及开发实现所涉及的相关技术,并调研和说明了现有分析工具的功能和特点。通过分析专家决策系统在整个性能评估系统中的位置,结合RTC应用分析实例,得出决策系统的工作场景和总体需求。然后,提出了专家决策系统的总体结构,并对、决策系统的关键流程进行了阐述,并给出了决策系统的内外接口。在此基础上,设计了专家决策系统的类图,并针对各个模块中涉及的关键问题,给出了详细的流程设计,完成了决策系统原型的设计和实现工作。随后对专家决策系统进行了功能测试和验证,详细的介绍了关键功能模块的测试用例,测试结果表明功能原型基本符合需求。最后,对专家决策系统的开发设计工作进行了总结,并指出了下一步的几个主要研究方向。