随着无线蜂窝网络用户对带宽需求的激增和各种无线接入技术的应用,蜂窝网络呈现出复杂化和异构化的趋势。在这种情况下,能提升服务质量同时降低运营成本的自组织网络(Self-Organizing Networks,SON)被广泛研究和应用。自治愈负责发现并解决网路中出现的故障,维持网络的稳定运行,是自组织网络的重要组成部分。而故障诊断负责确定故障出现的原因,为后续恢复提供参考,是自治愈功能发挥作用的关键。此外,微蜂窝的引入使得未来蜂窝网络以分层异构为主要特征,这种特征给自组织网络的研究带来巨大挑战。本文基于宏微蜂窝并存的网络结构,将故障诊断功能作为研究重点,提出了一个混合式分层异构网络故障诊断系统。该系统将宏蜂窝和微蜂窝的故障诊断分开考虑:针对宏蜂窝故障诊断研究现状,提出了基于集成学习和SMOTE的集中式故障诊断系统。该系统使用集成学习中的Adaboost算法训练分类模型,并将决策树桩作为基分类器。此外,针对训练过程中的数据不平衡问题,提出使用SMOTE过采样技术对数据集进行处理。在充分考虑微蜂窝固有特征的前提下,提出基于SVM的分布式故障诊断系统。针对微蜂窝部署密集的特点,系统摒弃了传统的集中式故障诊断架构,将故障诊断功能以分布式的方式部署在宏基站。此外,针对微蜂窝用户数据稀疏的特点,提出使用对样本数量不敏感的SVM分类算法训练分类模型。实验证明,前者精度较高,提升了对少数类故障诊断的精度,降低了误诊代价。后者能够完成故障诊断的任务,降低通信开销,其分布式架构更适合于微蜂窝部署密集、用户数据稀疏的现状。