随着移动互联网的快速发展,以哔哩哔哩、抖音为代表的短视频平台快速崛起。短视频大多为用户发布,其发布具有随机性,且一经发布会在短时间内获得大量访问。对热门短视频的重复访问,为核心网带来巨大负载。将热门内容缓存到距离用户更近的网络边缘,可以减少网络负载,降低用户访问时延。如何快速、准确地预测出短视频的流行度是实现高效缓存的关键。传统的内容流行度预测算法大多针对文本、图像和长视频等利用早期流行度预测未来流行度,忽略了短视频的特性。为此,本文提出一种基于多模特征的短视频内容流行度预测算法,在短视频发布初期仅根据发布者画像、短视频文本特性预测短视频内容流行度等级。当短视频发布一段时间后,根据发布者画像、短视频文本与社交特性、及早期播放量预测未来多个时隙的内容流行度。在预测内容流行度基础上,本文提出一种基于深度强化学习的边缘缓存算法,以降低用户访问时延。因此,本文围绕内容流行度预测与边缘缓存策略展开研究,主要研究内容总结如下:（1）针对短视频发布初期无法收集足够的历史数据进行内容流行度精确预测,本文提出一种基于卷积神经网络的内容流行度分类预测模型（Content Popularity Rank Prediction based on Convolutional Neural Networks,CPRPC）。该模型仅根据短视频的UP主（uploader）特征和文本特征预测播放量级别。首先,使用卷积神经网络提取多模态的深层特征。然后,使用Softmax分类器进行流行度分类。最后分析了不同模态对内容流行度分类的作用。仿真结果表明,所提模型能够有效提高内容流行度分类性能。（2）针对内容发布一段时间后,本文提出一种基于多模显式持续时间循环神经网络的内容流行度预测模型（Content Popularity Prediction based on Multimodal features with Explicit Duration Recurrent Networks,CPPME）。根据UP画像、短视频文本与社交特征及早期播放量预测未来多个时隙的内容流行度。利用卷积神经网络构建短视频的多模特征向量,将多模特征向量作为显式持续时间循环神经网络的初始细胞状态,以抓取多模特征对内容流行度的影响。将CNN与EDRN联合训练,通过前向传播算法更新EDRN的初始细胞状态,以此作为多模外部特征的标签,进而训练CNN。与无监督的多模态特征学习模型相比,通过联合训练可以提高多模特征与内容流行度的拟合度,从而提高模型的预测准确度。实验结果表明,与其他内容流行度预测模型相比,本文提出的CPPME模型具有较好的预测性能。（3）在内容流行度预测的基础上,本文提出一种基于深度强化学习的边缘缓存策略（Deep Reinforcement Learning for Edge Caching,DRLEC）。根据内容流行度预测结果,缓存新发布的短视频,替换已缓存的短视频,以提升缓存命中率,降低下载时延。实验结果表明,与其他缓存策略相比,本文提出的边缘缓替换策略可以有效地提升缓存效率。