随着光传送网络规模的不断扩大,光网络故障造成的影响也越来越大。为了确保光传送网的服务质量,减少网络故障带来的损失,对光传送网故障定位技术进行研究十分必要。光传送网故障类型可分为硬故障和软故障,其中软故障是由于光传输设备性能参数劣化导致的,会对网络运行产生不利影响,而且相对于硬故障,对其进行定位更为复杂,因此研究光网络中的软故障定位具有重要意义。本文主要研究内容和创新如下:（1）结合常见的光传送网告警信息,对告警原因和故障进行相关性分析,确定所要研究的软故障类型。提出将光纤非线性效应引入到软故障类型中,利用仿真软件Opti System搭建光通信仿真系统,分别采集未受到光纤非线性效应和受到光纤非线性效应下的两种故障数据集,并利用这两种故障数据集对故障定位模型进行训练。（2）提出了利用星座图坐标点信息来监测软故障类型,并采用了改进的K-Means算法对星座图信息进行特征提取。这一方法不仅避免了人工提取特征的弊端,降低了时间成本,提高了故障定位的准确率,而且降低了利用星座图图像进行故障定位的算法复杂度,节省了内存空间。提出了基于改进的K-Means聚类组合故障定位算法,结合决策树、SVM和1DCNN算法进行故障定位模型的搭建,通过对K-DT、K-SVM和K-1DCNN三个算法模型的故障定位结果进行对比分析,确定K-SVM故障定位模型性能最优。（3）在单一算法模型的基础上,引入了集成学习的思想。首先对RF和基于贝叶斯优化的XGBoost故障定位算法模型进行仿真实验,并与单一决策树模型进行对比分析。其次提出了基于Stacking多模型融合故障定位算法,搭建Stacking故障定位模型并进行仿真实验。最后仿真结果表明基于集成的多模型融合故障定位算法模型性能优于单一故障定位算法模型。