伴随着移动互联网,物联网等业务的出现,越来越多的设备甚至物品接入互联网进行数据的交换和传输,百亿级的终端设备将带来数据的爆炸式增长。与此同时,新闻发布、在线直播、远程医疗、实时视频会议等信息服务通过互联网提供。这些都涉及到网络的服务质量（Quality of Service,QoS）,包括时延,抖动,带宽,丢包率等。传统的路由算法采用“尽力而为”的策略无法很好地满足各种服务类型带来的多样化服务性能优化目标。数据驱动的智能路由算法可解释性、兼容性以及鲁棒性差,目前难以落地。因此,给定数据流请求的源节点和目的节点,本研究希望找到一种高效的路由方案实现网络的负载均衡,利用人工智能技术为网络层赋能的同时,采用传统路由决策保障算法的可靠性。本文提出一种考虑队列利用率的基于机器学习的负载均衡路由算法（Machine Learning Aided Load Balance Routing Scheme Considering Queue Utilization,MLQU）,并在此基础上提出面向 QoS的基于深度强化学习的自适应路由算法（QoS-oriented Adaptive Routing Scheme Based On Deep Reinforcement Learning,QAR）。本文的主要贡献可以归纳为以下四点:（1）构建了基于抖动图的网络模型和基于泊松过程的数据流模型,从而更好地结合网络元素和数据流信息确定QoS值。同时在拓扑提取中引入主成分分析（Principal Component Analysis,PCA）方法,得到一个可以有效表示网络拓扑的低维向量。（2）MLQU算法利用网络流量预测模型感知未来网络态势,确定高效灵活的智能路由方案。其中,神经网络采用数据流请求、网络拓扑和路由器队列利用率作为输入,预测下一时刻队列利用率。（3）利用排队论建模基于资源分配的QoS路由问题,提出基于资源分配的 QoS 路由算法（QoS Routing Strategy with Resource Allocation,QRRA）。（4）QAR算法采用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）捕捉网络状态以及数据流的动态变化,完成面向QoS的自适应负载均衡路由。最后的仿真结果表明,本文提出的算法在丢包率、吞吐量和队列时延方面均优于传统策略。