应用性能管理系统通过对企业的关键应用进行监控、分析来保证系统的正常运行,使用户得到可靠的服务,降低企业运行维护成本,提高经济效益。系统未来运行状态预测和异常报警是应用性能管理的两个重要需求。传统时间序列预测技术存在着分析过程需要太多人工介入、预测精度不高的缺点。深度学习技术相比传统方法有自适应能力强的特点,本课题将深度学习技术应用于应用性能管理中的应用运行态势预测与异常挖掘。论文基于神经网络技术设计了一个预测系统典型资源消耗指标的预测模型。使用神经网络模型挖掘应用运行过程中各项数据指标的前后关联性,建立应用历史资源消耗指标和应用未来典型资源消耗指标的回归预测模型。分析神经网络的预测输出结果为系统提供未来一段时间内的容量管理建议。在系统异常变化挖掘方面,设计了分析预测残差的相对熵距离模型。在论文中首先介绍了背景知识和相关技术,之后联系应用性能管理系统的整体结构,阐述应用运行态势预测与分析子系统在整个系统中的位置与工作场景,并分析应用性能管理系统的具体需求,总结出子系统所具备的具体功能点。在后面的算法模型设计部分给出了时间序列预测和应用运行异常变化检测两个关键分析模型。在子系统的设计与实现部分介绍了子系统的功能结构、关键流程、内外接口、数据结构定义、系统类图设计。根据第五章的设计内容,完成了子系统的原型开发。在第六章中针对子系统的功能点设计了测试用例并实施验证,测试结果基本符合预期。