随着以太网的日益发展,局域网的复杂程度也随着用户数和网络终端的增多而越发提高。为了保证局域网运行环境的健康稳定,在局域网的故障管理过程中,网络管理员需要对网络的整体运行状态把控和对网络故障进行成因分析和经验式诊断。但由于局域网往往承载着特殊业务,传统方法非常耗时耗力,于是现阶段对故障诊断的响应以及智能程度提出了新的要求。因此,本文从深度学习角度出发,研究了基于卷积神经网络模型的网络故障诊断方法。本论文的主要工作如下:论文首先介绍了网络故障诊断的研究现状,以及故障诊断过程将面对的两大核心问题:网络故障信息的采集和分析、网络故障问题的发现和检测。最后,给出本文的主要研究内容。论文第二部分,对局域网网络故障进行了物理侧分层结构以及业务侧分服体系的故障成因理论分析,并对现有网络故障诊断技术按照定性经验和数据驱动的类别对专家系统、图搜索模型、支持向量机、软件定义网络等四类典型网络故障诊断技术进行了详细的阐释,为后文的章节做铺垫。论文第三部分,基于KDD99数据集[48],对卷积神经网络进行研究,提出灰度矩阵化原始数据的数据转换操作,并根据数据特征规模进行卷积神经网络结构设计,并以此为基础开展了一系列的包括丢弃学习、梯度优化算法、数据增强在内的优化研究,完成整个故障诊断的模型建立。论文第四部分,分析了现存数据采集方法的优劣,提出了一种不新增网内流量、不改变网络结构的旁路被动分布式数据采集方法,并进行了旁路采集板卡的原型设计。同时,提出了基于特征工程的数据集构建方法,提出了分层结构下较为完备的数据字典,为故障诊断的故障多样化做原始数据维度支撑。论文最后,设计并模拟了真实局域网故障场景,完成数据采集、数据集构建。并在KDD99数据集[48]和自建数据集上进行模型验证。通过对模型不同激活函数、学习率、数据增强的测试下,提高模型泛化能力,最终结果表明,该模型在KDD99数据集[48]上进行训练测试,准确率达96.8%,在自建数据集上,训练测试准确率可达88.3%。综合实验表明,基于卷积神经网络的故障诊断具备良好的诊断效率且具备可完整落地的潜质。