随着用户对无线网络服务多样化以及效率提升需求的提高,未来无线网络将需要实现更为迅速和智能的网络运营和维护功能,中断检测技术作为实现自治愈功能的重要一环亟待深入研究。机器学习为平衡和利用网络数据提供了解决方法,本文研究基于机器学习方法的无线网络中断检测技术。针对当前网络中关键性能指标(Key Performance Indicator,KPI)数据均无标签的问题,本文提出了一种改进的自适应调整阈值的基于自适应谐振理论的中断检测算法。用户测量报告中上报的KPI信息首先在自适应谐振理论网络中以相似度为标准进行竞争性学习,其后竞争的结果将与自适应阈值进行比较以确定该用户数据的初始聚类,该阈值可在网络学习和更新过程中根据已学习样本和当前样本的关系进行动态调整。最后对初始聚类结果进行统计检验以确定最终聚类数目,并结合报告中的位置信息完成故障区域定位。仿真结果表明该中断检测方案能够在采用包含信息量大、获取方式便捷的网络状态数据的情况下,准确地对故障基站进行检测和定位。与传统基于分类方法的中断检测模型相比,该算法节省了获取有标签KPI的时间、人力和物力成本;且自适应谐振理论采用的增量学习的模式能够在保有旧知识记忆的情况下继续对新知识进行学习,适用于无线网络动态变化的情况。针对异构网络场景中家庭基站用户稀疏、产生数据易过时的问题,本文提出了一种基于自我学习的中断检测方法。首先通过稀疏自编码器从大量存在但利用率低的无线网络KPI数据集中学习其重要特征,其后将特征知识迁移至异构网络KPI数据集中,并在该数据集上通过支持向量机方法习得分类模型;过程中考虑到中断检测KPI数据集的不平衡性问题,本文预先利用采样方法对其进行了数据预处理。仿真结果表明,与传统基于分类方式的中断检测方法相比,该方法能够在异构网络家庭基站故障场景中更为准确地进行中断检测。其次,自我学习利用无线网络KPI数据集提升性能的形式提高了网络中数据的利用率,且基于特征迁移的方法适用于异构网络家庭基站自主部署和开关导致的拓扑结构变化的场景,在新的网络环境下能够更为迅速地得到同等性能的中断检测模型,提升了现有方法的中断检测效率。