网络功能虚拟化（Network Function Virtualization,NFV）技术将网络功能与专用硬件设备进行解耦,转变为运行在通用服务器上的虚拟网络功能,从而简化了网络服务的部署与管理。如何动态进行网络资源的分配和调整,即服务功能链部署问题和服务功能链迁移问题,已成为NFV研究领域中至关重要的问题。在基于NFV的网络架构中,虚拟网络功能可以在不同的物理服务器上进行多实例的部署,这导致服务功能链部署问题的策略空间维度巨大。同时,用户服务请求的动态性又使得网络资源状态呈现出连续动态的复杂变化。面对庞大的决策空间以及复杂多变的网络资源状态,如何高效地分配网络资源进而提高网络收益是目前解决服务功能链部署问题时所面临的关键挑战。此外,在进行资源调整的过程中通常需要考虑多方面因素,如何实现多目标之间的平衡是目前解决服务功能链迁移问题时所面临的关键挑战。针对上述挑战,本文研究使用基于网络资源感知的智能算法来解决服务功能链的部署与迁移,主要研究工作总结如下:1)为了准确找到最佳部署方案进而提高网络收益,本文研究了一种名为PACT的基于强化学习的智能决策算法。PACT使用策略网络来感知网络资源的剩余状态,并将感知到的信息用于辅助蒙特卡洛树搜索算法生成部署决策。仿真结果表明,该方法在收益-代价比、接受率和端到端时延等性能指标方面均优于其他对比算法。2)为了最大限度地在快速生成部署方案和追求高收益的目标之间寻求平衡,本文研究了一种名为GCN-IL的基于模仿学习的智能决策算法。GCN-IL使用图卷积网络来感知物理网络中的图结构数据特征和网络资源的剩余状态,并采用基于数据增强的模仿学习方法来进行智能体的训练。仿真结果表明,该方法能够在快速生成部署方案的同时提高网络收益。3)用户服务请求的动态性会导致物理服务器上资源消耗过载,而均衡的资源利用可以使网络更好应对未来的流量变化。为了实现最大化网络负载均衡的同时最小化带宽资源消耗,本文研究了一种名为MCTS-LRC的基于强化学习的智能决策算法。MCTS-LRC结合了局部资源容量算法能够快速感知物理服务器中网络资源的剩余状态和蒙特卡洛树搜索算法在解决大型状态空间问题时能够渐进收敛到最优解的优势来生成迁移决策。仿真结果表明,该方法在带宽资源消耗和端到端时延等性能指标方面均优于其他对比算法。