随着LTE网络大规模的部署和应用,覆盖质量的监测和评估成为网络运营最为关心的问题。除室外宏基站外,为保证室内区域的信号覆盖水平,蜂窝室内分布系统(室分系统)也被大规模地建设和使用。室内的覆盖环境复杂,不同位置的覆盖指标(RSRP/RSRQ/SINR)差异较大,室分监测分析的传统方式依赖专业监测设备和人员巡检,其成本较高且故障定位不精确。近年来随着移动互联网和终端技术快速发展,配备蓝牙、GPS等丰富传感元件的Android智能手机用户规模可观,这使得从用户侧以众包的方式采集数据从而对无线网络进行监测和分析成为可能。本文针对蜂窝网络,特别是室内场景,研究并实现一套基于终端感知的监测和分析平台,主要工作内容有三方面:首先,本文研究了 Android平台中无线、业务以及网络测试数据的采集方法,对每种类型的数据实现多种方法联合采集,以保证数据采集的准确、可靠和高效。为了获取数据采集时的室内位置信息,搭建了一套室内定位系统,通过在吸顶天线下部署Beacon,辅助Android的BLE(低功耗蓝牙)模块实现室内定位,以便精确定位无线故障。其次,设计并实现蜂窝监测分析平台的系统架构,使移动端、数据库、服务器端和Web端在高效地配合下,完成数据上传、数据存储、覆盖分析及呈现和弱覆盖告警等功能,以及通过Web端和移动端实现用户交互、管理功能。另外,本文设计了高用户量场景下的服务端架构扩展方案,扩展后的架构基于消息队列和实时数据处理框架,保证了高用户量下服务端的稳定性。最后,针对用户上传的室内无线数据,论文先后进行了采样方法、下行速率预测和聚类分析三项分析研究内容。在采样方法研究中,针对数据上传时位置分布不均匀的特点,提出了一套数据采样流程,该流程能够对各个位置实现均匀采样,同时保证最低的样本损失率。在下行速率预测部分,为解决速率采集代价较高以及字段缺失的问题,使用回归-离散和离散-分类两种模型分别预测下行速率等级并对比预测效果。为了增强预测模型,随后使用Apriori算法挖掘离散处理后的无线数据,并通过关联规则扩展训练集的特征维度来提升预测精度,使得回归-离散模型在离散等级为4时的预测准确率达到95%以上。在聚类分析部分,本文使用集成聚类方法(K-means+层次聚类),依据方差分析和轮廓系数寻找无线指标的最佳聚类结果,按照无线特征将数据集划分为4个类别,并分析不同类别的无线特性。经过实际的调测和数据采集,本平台出色地完成了蜂窝网络监测和故障告警等功能,并通过深层次的数据分析和挖掘,全面正确地反映网络的覆盖情况,在实际蜂窝网络的监测和分析中具备应用价值。