随着互联网的发展,传统的软件模式已无法满足复杂的业务需求,越来越多的企业转向了面向服务的架构(Service-Oriented Architecture,简称SOA),Web服务已成为SOA架构的实现标准,通过组合多个Web服务实现复杂的业务功能。在这种情况下,任一Web服务出现问题,将导致整个服务系统的运行出现问题,人们普遍意识到Web服务质量(Quality of Service,简称QoS)的重要性。为了系统能够在高度动态的分布式环境稳定运行,对于QoS的预测已经成为服务计算领域一大热点问题。基于时间序列分析的预测方法已经得到广泛应用,在应用到Web服务的QoS预测中首要面临的就是缺失值问题,一般用户不会在所有时刻持续访问一个服务,并且不会对所有的服务都有调用记录;其次就是预测的准确性问题,QoS数据波动性强,不像传统的软件可靠性模型可以获取可解释的参数。针对这两大问题,本文提出基于时序相似的缺失值估计方法,通过挖掘时序的相似度,聚合相似时序,进行缺失值的估计,有效降低了QoS数据稀疏对预测带来的影响。针对QoS数据的波动性大这一特征,提出传统模型结合卡尔曼滤波的方法,提升了对Web服务QoS的波动反应灵敏度;针对传统时间序列模型适用性低的缺点,提出使用带有记忆单元的循环神经网络模型预测Web服务的QoS,提高了预测的准确性,并分析了多种因素对预测准确率的影响。本文提出的方法均在公开数据集上有多组实验验证,验证结果表明本文方法的有效性与优势。