计算机网络现已渗透到人们生活和工作的各个角落,它是信息化社会的基础。然而现存的网络故障诊断系统仍存在实时诊断能力较弱、动态适应能力不强、自学习能力欠缺等问题,因此开发更为智能的故障诊断系统迫在眉睫。本文正是针对上述问题,提出了用粗糙集和克隆选择算法相结合的思想。一方面,利用粗糙集的约简功能,去掉网络故障的冗余属性,以减少克隆选择算法的训练及诊断时间；另一方面,由于采用了属性重要度,因而在故障诊断时可使诊断的精度更高。在此,本文主要涉及故障检测器的训练阶段及故障的诊断阶段,其研究内容主要有：(1)提出了加快故障诊断速率、提高诊断精度的方法。首先利用粗糙集对网络故障样本进行属性约简,提取出故障诊断的决策规则,避免了大量的、不相关的属性的干扰,通过此步骤可以降低故障属性的维数,达到精简的目的。同时,在故障诊断期间,判定故障需要采集样本的各个属性,然而各个属性的重要度并非相同,所起的作用存在差别,如果利用粗糙集的客观属性判定,则会使诊断更为精确,避免人为赋予属性重要度所带来的主观性较强的弊端。(2)提出了用改进的克隆选择算法训练各故障模式下的检测器,并将检测器用于诊断网络故障的方法。现存的克隆选择算法大多数收敛速度比较缓慢、检测器生成具有盲目性、缺乏动态适应能力,因而导致了比较严重的误诊、漏诊现象。本文针对不足之处,将其加以改进。例如增加了检测器的动态更新策略,以便及时洞察自体和非自体之间的转化；增加了基因库,以便提高初始检测器的生成速率和质量；当发生新故障时,可以重新训练相应故障模式下的检测器,以便增强学习能力；通过记忆及成熟检测器的双重检测,使故障分类更为精确。鉴于粗糙集与克隆选择算法优势之处,特将其两者有效结合。同时为检验本课题所提改进方法的有效性,本文通过仿真实验结果加以分析,验证结果表明所提出的改进方法较现有方法其有效性相对较强,可在一定程度上解决一些诊断中的瓶颈问题,从而提高了系统的应用性能。