网络切片作为5G的核心技术之一,是实现在同一个物理网络上提供不同业务功能的技术。网络切片技术可以实现底层的物理网络资源的动态灵活分配,可以提高整个网络的资源利用率,提升用户服务质量,增强网络的灵活性和弹性。传统的网络体系架构只能提供单一的业务,不能实现多样的定制业务需求不能灵活地调度各类底层的物理网络资源。ITU定义了5G的三大应用场景其中包括增强的移动宽带（eMBB）,超可靠低延迟通信（uRLLC）,大规模机器类型通信（mMTC）。如果为每种业务场景构建一个专用的物理网络必然会导致网络运维的复杂和成本增加。为了适应未来的5G的多样化的业务场景,网络切片则是实现在一个物理网络上同时支持多种业务的关键技术,因此研究5G网络切片中的路由和资源分配的算法则具有重要的意义。本文主要做了以下两个方面的工作:（1）针对5G网络切片中的路由和资源分配的问题,由于SDN和NFV可以有效地提高部署和管理服务功能链（Service function chains SFCs）的灵活性。因此将SDN和NFV融合应用到网络切片的路由和资源优化中,提出了一种基于SDN和NFV的网络切片路由和资源联合优化算法。首先针对5G uRLLC,eMBB,mMTC三大应用场景的不同的业务需求,将底层的物理节点按照功能类型划分为三个虚拟子网的节点集合。然后根据不同业务类型的服务功能链分别进行建模,形成混合整数线性规划的基于SDN和NFV的网络切片的数学模型,并提出了基于拉格朗日对偶分解的算法将网络切片联合优化问题分解为节点和链路的子问题,再对分解的子问题进行映射方案的求解。仿真结果表明与以往算法相比,本文提出的算法在资源利用率、接受率、平均执行时间等方面具有更好性能。（2）针对在传统的低时延网络切片路由和资源分配算法,收敛速度慢、难以实时感知动态网络、不能动态灵活部署等弊端,因此将强化学习领域中的深度强化学习的算法引入到低时延的网络切片的路由和资源分配中。在对低时延的服务功能链的路由和资源分配的数学建模过程中,针对在动态不确定的服务功能链的部署,对物理网络中的正在进行服务的切片进行实时的路由和资源分配,在模型中设置了节点和链路资源的限制以及服务功能链的时延限制。设计了针对服务功能链服务成功的奖励值函数,提出基于深度强化学习的路由和资源分配的算法,与其他算法相比,本文提出的深度强化学习的路由和资源分配的算法提高服务功能链的部署成功率和降低网络服务的平均时延等。