随着大数据时代的到来和新型网络技术的发展,移动通信行业正发生着巨大的变化,面对移动数据流量的激增和各种服务的不同需求,异构无线网络逐渐成为提升系统容量的重要方法之一。然而,由于异构无线网络的大规模和高复杂性,当故障发生或将要发生时,如何预测和定位它们已经成为了一个巨大的挑战。传统的故障检测和诊断算法不仅需要消耗大量的人力和物力资源,而且难以准确建立网络症状与故障类别之间的映射关系。因此,本文结合大数据和深度学习的方法,深入研究了异构无线网络的智能化故障诊断算法。本文在介绍了现有的网络故障诊断方法的基础上,主要开展了以下三个方面的研究:(1)提出了一种基于卷积神经网络的故障检测和诊断算法。在分析了复杂的异构无线网络故障发生原因的基础上,该算法先利用Relief F和互信息相结合的方法对网络特征参数进行降维,选出最优的特征组合作为故障检测阶段的输入参数,减轻了网络计算和传输资源的负担。然后通过计算时序数据分布相似度初步筛选网络中可疑的故障小区,最后通过基于卷积神经网络的故障诊断模型对可疑故障小区进行故障原因的定位。仿真结果表明该算法在故障诊断准确率和故障诊断时延上都有明显提升。(2)提出了基于改进的生成对抗网络的故障诊断算法。针对手动给网络数据添加标签成本过高和生成对抗网络收敛波动较大的问题,本文首先通过改进生成器网络的损失函数和判别器网络的输出层,提出了一种半监督的故障诊断模型。但考虑到该模型的判别器网络复杂程度过高会影响模型收敛的速度和性能,对该模型进一步进行优化,提出了一种生成对抗网络和卷积神经网络相结合的算法,其中生成对抗网络负责生成各种故障类别的数据,然后利用这些数据训练卷积神经网络完成对网络故障的诊断。仿真结果表明该算法在只有少量带标签的数据情况下,也可以实现对网络故障的准确诊断。(3)设计并实现了基于深度学习的故障诊断验证平台。首先基于OPNET搭建了宏基站和微基站交叉覆盖的异构无线网络场景,运行系统收集相应的网络数据,然后编写筛选最优特征组合的程序,搭建改进的生成对抗网络和卷积神经网络的故障诊断模型,实现了网络数据的产生和网络故障的诊断。最后验证了生成对抗网络和卷积神经网络相结合的故障诊断算法的有效性。