随着网络技术的不断发展,激增的多样化新型网络应用对网络数据传输中的时延、丢包率和链路利用率等指标提出了差异化的需求,如何基于服务质量（Quality of Service,QoS）需求给不同场景、不同应用类型制定合理的路由成为亟待解决的问题。传统网络架构存在灵活性较差、全局网络视图有限等问题,难以及时、灵活地保障不同应用的QoS。因此本文基于软件定义网络（Software Defined Networking,SDN）可编程、易扩展等特点,利用流量分类技术对不同数据流进行分类,进而根据不同数据流异化的QoS需求构建多约束条件,最后结合强化学习技术制定路由策略,以保障不同应用的QoS。本文主要研究内容如下:针对在SDN网络数据中心场景中,使用传统等价多路径路由算法（Equal cost multi-path,ECMP）对大象流和小鼠流制定路由策略时,易造成部分负载过重、网络拥塞的问题,提出了一种基于阈值流量分类和Q学习的智能路由算法（Intelligent Routing Algorithm,IRA）,首先采用阈值流量分类法将业务流分为大象流和小鼠流;然后经过拆解模块,将大象流拆解为子流;进而根据两种流量的QoS要求构建多约束条件;最后采用Q学习根据链路状态动态地、智能地规划链路转发权重,生成路由策略。仿真实验结果表明,相较Dijkstra算法和蚁群优化算法,所提算法更好地降低了网络节点端到端的时延、丢包率,提高了网络节点的吞吐量,有效避免了网络拥塞的情况,提升了网络性能。针对SDN的多应用场景中不同应用数据流的QoS多样化需求问题,提出了一种基于流量分类和DQN的QoS路由优化方案。其中的流量分类模块由基于Relief F算法的流量特征优化子模块、基于K均值和SMOTE算法的数据集均衡优化和基于XGBoost算法的网络流量分类器三部分构成,有效缓解了因多应用网络流量占比不均衡带来的流量分类精确率下降问题。其中的路由优化模块由基于QoS的多约束路由模块和基于DQN算法的路由模块两部分构成,前者构建不同应用QoS的多约束条件,后者将约束条件及网络流量数据的相关信息映射到DQN算法的状态空间、动作空间及奖励函数中,通过策略生成路由方案。仿真实验结果表明,所提算法具有较高的分类准确率、更低的端到端平均时延和丢包率。综上,本文提出的算法可以有效解决了网络拥塞的问题,在端到端平均时延、吞吐量和丢包率等指标上提高网络性能。