对应用进行有效的性能管理,实时监测其在复杂运行环境中的运行状况,及时发现性能问题,成为了保障应用运行良好和提升业务质量的关键。但网络环境和应用复杂度日益增加,传统的人工性能测评方法难以准确发现应用的运行规律和潜在缺陷。随着应用性能管理概念兴起,将数据挖掘相关机器学习技术应用在此领域中,提供异常检测、瓶颈发现、能力分配等解决方案,将成为当下研究的热点内容。本文应用机器学习算法,设计实现了应用性能管理系统中的应用运行特征挖掘系统,将多元时序运行数据从三维空间变换成为二维的运行模式时间序列,作为应用运行特征的新型表征方式。本文中新型运行模式是滑动窗口方法生成的多元时序数据片段集,通过自动编码机模型进行降维特征抽取后,由结合Canopy算法的K-means聚类模型得到的自定义运行模式。新型运行模式打破了只依靠应用资源消耗类型分类的传统分类方式的局限性。本文还将已标注运行模式的数据片段利用卷积神经网络进行有监督学习,构造出运行模式特征分类模型,实现对线上应用实时数据片段进行模式分类,对比现存完整运行后分类评估方法,更适合作为实时瓶颈定位、异常预警的依据。论文基于所调研的背景技术和相关算法,得出本系统的工作场景与总体需求,对系统模块结构进行设计,并对关键流程进行阐述,给出了系统内外接口、静态类结构和动态交互以及关键问题的详细流程和算法设计。最后设计测试用例,对各功能进行测试验证,并总结了所有设计实现工作,指出了未来主要研究方向。