网络层析成像因能在无需中间节点协作的情况下,通过端到端测量数据估计出网络内部链路准确的性能参数,受到了广泛的关注。但是并非所有的网络管理和维护工作都需要获得内部链路性能参数的精确值,以较低的代价,借助一般的端到端单播探测包快速准确定位故障链路(性能参数低于某一标准)对网络管理也具有重要意义。现有大多数故障链路诊断方法都基于单时隙的测量数据,并依赖网络中各条链路为故障链路的概率相同而且这个概率值很小的假设,在较理想的网络环境下能够取得良好的效果,但在实际网络中各条链路发生故障的概率通常不同,且当网络中发生故障的链路较多时,单时隙故障链路诊断算法的检测率较低,这些不足使得算法不够稳定且准确度较低。研究发现,通过对网络进行多时隙的端到端测量有助于获得更精确的链路状态模型,求得链路发生故障的先验概率,为故障链路诊断算法提供有效的参考。本文针对现有算法的不足,研究基于多时隙端到端测量的故障链路诊断方法,取得了以下成果：1.故障链路诊断：首先采用伯努利模型对链路在各时隙的状态进行建模,假设链路在各时隙的状态相互独立,然后提出了两种新的链路故障先验概率求解方法,分别为基于最大后验准则的因子图-和积算法和基于最大伪似然估计准则的EM算法。前者通过因子图模型描述链路和路径状态的联合概率分布,然后使用和积算法求出使得各链路状态的边缘概率最大的解；后者首先将网络划分为一系列只有两个叶子节点的子树,然后采用EM算法求得各子树中链路状态分布的最大似然解,从而求得全局的最大伪似然解。分析表明在网络规模较大时,本文算法的效率优于现有的联立方程组求解法。在此基础上,结合当前时隙的端到端测量数据与估计出的链路故障先验概率,采用贪婪策略识别当前时隙的故障链路。仿真结果表明该方法具有较高的检测率和较低的误检率。2.链路状态时域相关性估计：由于链路性能参数随时间连续变化,因此链路状态具有时域相关性。伯努利模型无法描述时域相关性,本文进一步提出采用k-MC模型描述链路状态,认为当前时隙的链路状态同前k-1个时隙的链路状态有关。采用EM算法求解出服从最大伪似然准则的链路联合状态概率分布(PMF),从而获得链路状态的转移概率。仿真实验表明k-MC模型能够更精确地描述链路状态,同时,EM算法能够准确估计出链路的联合状态概率分布。