随着互联网迅猛发展,互联网应用业务呈现出多样化的趋势,遍及社会生活的方方面面。近些年来,互联网应用性能异常事件频发,不但给企业造成巨大损失,也影响了群众的日常生活。根因定位作为互联网运维流程中必不可少的一环,具有承上启下的重要作用。当前互联网应用运维工作仍停留在以人工分析为主的阶段,难以处理复杂的问题场景。因此,本文以人工智能领域因果分析为主要技术手段,基于互联网运维的角度,对互联网应用性能异常根因定位问题进行研究,以提升定位准确率,降低人工成本。对于客户端,互联网,服务端这三部分异常根因源的定位,本文主要工作和创新点总结如下:（1）多因素不佳用户体验瓶颈根因定位。以在线手机游戏用户体验为例,提出一个通用分析框架——Ex Cause,实现在客户端和互联网多种潜在影响因素中定位导致不佳用户体验的瓶颈根因。该框架将因果分析中潜在结果模型首次应用于用户体验分析中。基于某大型游戏1200万条对局记录,Ex Cause发现手机操作系统版本和像素密度是导致在线手游用户体验不佳的瓶颈因素。通过关于手机操作系统版本的案例研究发现,Ex Cause有助于纠正由相关性分析所得出的片面结论。（2）具有噪声鲁棒性的系统指标因果关系识别。为实现服务端高效根因定位,对具备噪声鲁棒性的系统监控指标因果关系识别进行研究。首先对有噪时间序列线性因果关系可识别性给出理论证明,然后分别设计了基于卡尔曼滤波的最大期望算法KF-EM和类EM算法CAMEM。基于有噪数据,对线性和非线性时序因果关系进行识别。基于互联网服务端系统线上故障期间数据和两个仿真数据集,验证算法在因果关系图估计上的有效性。（3）具有循环关系鲁棒性的系统故障根因定位。以微服务内故障根因定位场景为例,提出一个新颖的根因定位框架MicroCause,该框架整合了由系统工具或算法生成的指标依赖关系图,推断最可能导致互联网服务端故障的个根因。MicroCause包含一种新颖的基于偏相关系数的因果导向时序随机游走算法TCORW,帮助算法有效地游走到根因节点。基于从大型在线购物应用的微服务系统中采集的86个在线故障单的实验评估结果表明,MicroCause在所有评估指标下均具有最佳性能,其给出的前5个根因的准确度为98.7%,比最佳基准方法高出33.4%。