核心网网元关键质量指标（Key Performance Indicator,KPI）数据是现网最为常用的监控与分析数据源,各领域的网元设备都有相对标准的KPI测量和采集能力。然而,核心网复杂的结构（多层、多域、多接口、多协议、多参数、多厂家）使得KPI指标种类和数量庞杂。在传统的网络操作维护管理（Operation Administration and Maintenance,OAM）中KPI异常检测主要依赖人工经验,近年来随着网络运维从专家运维向智能运维演进,如何将机器学习技术应用到KPI异常检测环节是行业关注的重点。首先,本文进行了数据集基本情况的介绍、划分了训练集和测试集,并对KPI数据进行了探索性的分析,突出了KPI数据在检测上可利用的一些特点,为下一步的检测路线指明了方向。设计一个符合所有不同类别核心网KPI数据的异常检测算法是困难的,和人工进行KPI类型判断不同,我们设计了分簇算法将KPI异常检测分为边界型KPI异常检测和非边界型KPI异常检测,并且分别设计了异常检测技术路线。其次,本文利用单层决策树的在训练集上的异常检测指标结果设计了分簇算法对边界型KPI和非边界型KPI进行了判断,然后介绍了使用多学习器结合决策的概念,使用VOTING法对单层决策树、朴素贝叶斯、最近邻三个算法进行结合。最后通过在测试集上的平均结果说明了边界型KPI异常检测的性能,所使用的集成方法在边界型KPI测试集准确率可达0.9926,F1值达到0.8931。我们所使用的方法在准确率和F1值上最高,具有更为均衡的查准和查全能力。然后,本文对数据集中被界定为非边界型KPI如何进行异常检测进行了描述,主要有特征提取（原始特征、分解特征、滑动窗口特征）、特征选择、重采样、用贝叶斯优化调节参数以及使用VOTING法结合随机森林、朴素贝叶斯和支持向量机等几个步骤。最后通过在测试集上的平均结果说明了非边界型KPI异常检测的性能,所使用的集成方法在非边界型KPI测试集的准确率可达0.9827,F1值达到0.7737。同样,我们所使用的方法在准确率和F1值上最高,具有更为均衡的查准和查全能力。最后,本文进行了总结和展望,回顾了检测方法的整个流程,并提出了改进的方向。