随着网络技术的快速发展,网络设备也越来越普及,其数量的日益增长造成了无线通信频谱资源越来越紧张。同时网络技术日新月异,对通信数据传输速率的需求也逐渐增高。60GHz毫米波具有约7GHz(57-64)无执照带宽,能够提供Gb/s数量级的传输速率。然而,60GHz的定向性和信道稀疏性又使得通信系统容易出现当发生移动或遮挡等网络故障时造成客户端或波束不对齐的现象,导致链路中断或链路质量下降等问题。最近的研究表明商用的毫米波无线电会产生不完美的波束方向图和强反射,这些都会带来不可忽略的干扰。同时由于不规则的beam pattern会造成不可忽略的干扰,尤其是对于多AP多客户端的密集网络。本文针对一个特定的室内环境实现了一个多AP多客户端的60GHz毫米波传输系统。实际场景中网络故障何时出现是不确定的,过早或者过晚会对应的带来资源浪费和优化不及时的问题,网络优化的时机是十分重要的。因此本文提出一种基于故障的自适应网络优化机制,即当网络监测出故障时再对系统进行网络优化。本文利用机器学习可以从大规模的数据中学到信息的隐性表示的特点,对系统所处的特定环境进行学习,实现一个基于机器学习的网络故障检测框架。除此之外,传统的60GHz协议的波束对齐策略是穷举式的,这会增加时间复杂度。利用波束成型技术,本文提出一种基于贪心迭代的客户端和波束联合网络优化策略,该策略较穷举法时间开销更小,同时因为考虑了干扰的影响,整体吞吐量比传统的方法也有了更大的提升。本文设计的特定环境的多AP多客户端毫米波传输系统兼具网络诊断和优化功能,将网络诊断结果作用于网络优化,利用此策略对传输性能进行优化提升,实验结果表明该策略提高了系统的整体吞吐量并且降低了复杂度。通过仿真模拟,结果也证明该策略大大减小了发送端和接收端之间波束配对的时间开销。