实时音视频通信技术被广泛应用在协同办公、在线教育、娱乐互动等领域,COVID-19的全球大爆发极大地强调了现代实时音视频通信工具的重要性。随着国家新型基础设施建设的推进和云、5G等技术的不断发展,在可以预见的未来内实时音视频互动将会给人们的工作和生活方式带来深远的变化。带宽、延时、丢包、抖动是反映网络通信能力的重要指标,网络通信中的拥塞控制力图在低延时条件下提供高的音视频质量,从而提升产品服务质量和用户体验质量。通过丢包、延时、抖动的信息准确地识别出网络异常状况,一方面有助于完善拥塞控制算法中的码率调整,另一方面有助于实时音视频软件研发过程中的问题定位。本文使用开源离散事件模拟器NS3进行网络仿真,并在数据链路层、传输层及应用层部署不同的协议栈,实现不同拓扑结构下的网络仿真获取丰富类型的数据。基于离散状态马尔可夫链的Gilbert模型是刻画网络丢包机制的经典模型,本文基于隐马尔可夫模型以窗口滑动的方式对网络丢包状态进行检测,滑动窗口的方式可以避免滞后信息无效和计算数据溢出两方面的问题。窗口滑动时的参数估计涉及大量计算,因此本文提出一种隐马尔可夫链参数滑动近似估计方法降低复杂度。实例表明参数滑动算法与窗口独立算法相比,检测精度稍有下降但大幅减少了计算耗时,因此具备更高的应用价值。排队理论是刻画网络通信端到端性能的重要机制。针对现有研究较少进行网络延时及抖动异常检测的状况,本文基于排队论中批到达泊松过程推导出网络延时与发包量之间的线性关系,并据此进行延时预测和异常检测。此外统计时间序列分析和循环神经网络是分析序列数据的两大类重要方法,本文使用经典的自回归滑动平均模型和长短时记忆网络模型分别对网络抖动进行预测并据此检测异常。实例表明基于排队论方法的延时异常检测效率较高;长短时记忆网络检测抖动异常的精度与自回归滑动平均模型互有优劣但前者的效率更高。实际应用中可按地区、运营商等因素划分网络类型并分别训练长短时记忆网络模型。