软件定义网络（Software Defined Network,SDN）是在网络规模迅速扩大,流量爆炸式增长的挑战环境下提出的一种新型网络体系结构。在这种网络环境下,如何有效保障服务质量（Quality of Service,QoS）成为研究的关键问题。得益于它的控制与转发功能分离,逻辑上的集中控制以及支持网络可编程性等优势,SDN在下一代互联网领域有着广阔的应用前景。然而SDN控制器部署位置可以直接影响整体服务质量以及网络性能,同时传统路由协议不智能的选路规则也会引起网络发生阻塞。由此,如何合理地部署控制器位置以及避免网络阻塞成为改善SDN网络服务质量过程中的关键问题。为了克服上述问题,本文在控制器部署阶段,针对分布式多控制器架构来研究,在满足时延和负载均衡双重优化目标的情况下,对传统的近邻传播（Affinity Propagation,AP）聚类算法进行改进,设计一种全新的多控制器部署算法。该算法的优势在于能够自动确定控制器数量和部署位置。首先,本算法通过执行Dijkstra算法度量控制器与交换机之间的相似度关系来计算最短距离,将此距离应用于聚类算法相似度矩阵的构建。其次,利用相似度矩阵进行迭代计算,初步获得控制器的部署数量和位置。此外,通过启发式算法寻找使得控制器间负载差异度最小的最优控制器放置方案,从而确保整个网络负载均衡。最后在仿真实验中,根据时延、负载两种性能指标对比了不同控制器部署算法,表明了本文提出的算法可以实现更好的性能。此外,在SDN正式步入使用阶段时,本文针对SDN路由优化问题,以优化整体网络性能为目标,提出了基于深度强化学习（Deep Reinforcement Learning,DRL）的路由优化框架,根据深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,设计一种基于DRL的路由优化算法。区别于其他传统的路由算法,首先,本算法可以实时检测正常环境和阻塞环境下的网络状态。其次,通过与环境迅速进行反馈交互来尝试最大化的累积奖励,从而智能地优化路由,保障不同网络环境下的QoS。最后在仿真实验中可以验证,在正常网络环境下和流量负载强度大的环境下,本文提出的算法都可以实现更好的QoS性能优化。