近年来,随着信息技术的不断发展,TCP/IP架构在面对以高清视频应用为主的高带宽需求逐渐爆发出许多问题。命名数据网络（Named Data Networking,NDN）作为以内容为中心的网络架构,能很好地适应现有高带宽需求。但网络体系结构的转变也为其拥塞控制机制的研究增加了许多新的挑战。而拥塞控制机制关系到网络的传输效率,因此针对NDN拥塞控制机制的研究具有重要意义。多源多路径作为NDN架构的重要特性,合理的利用可以提高网络资源利用率。本文通过对NDN多源多路径的特点进行分析,从更细粒度优化拥塞控制的角度,分别提出了缓存感知的多源多路径拥塞控制机制（Multi-Source and multi-Path Congestion Control,MSPCC）与基于强化学习的NDN多源多路径拥塞控制机制（Reinforcement Learning based Congestion Control,RLCC）。主要研究工作如下:1)针对NDN多源多路径给拥塞控制机制带来新的挑战,本文设计了多源多路径标识机制与最近数据源搜索算法,并在此基础上设计了子路径分类算法与多源多路径拥塞窗口调整方案。多源多路径标识机制与最近数据源搜索算法可用于识别所有数据源的不同子路径并处理标识机制存在的缓存失效问题。子路径分类算法与多源多路径拥塞窗口调整方案则可将将子路径分为拥塞与未拥塞两类并根据每条子路径的拥塞状况调整拥塞窗口。2)针对当前网络测量指标不能细粒度反映网络性能和多路径拥塞控制规则相对简单的问题,本文设计了多维度的网络状态指标,并在此基础上设计了网络拥塞程度预测模型与更细粒度的多源多路径拥塞窗口调整方案。网络状态指标主要包括网络基本状态信息、子路径基本信息和丢包子路径的影响权重等多个维度。网络拥塞程度预测模型可异步地训练与使用强化学习模型生成拥塞程度预测规则。多源多路径拥塞窗口调整方案则可根据不同网络拥塞程度使用相应的窗口调整机制。实验结果表明,MSPCC和RLCC相对其他两种对比方案（PCON与MPCC）能够更好地适应NDN多源多路径的特点,提高网络利用率。在带缓存时,MSPCC相对MPCC和PCON能分别提升约20%和50%的平均吞吐量,而RLCC则相对MSPCC能提升约20%的吞吐量。在不带缓存时,MSPCC表现与MPCC类似,两者相对PCON能提升约15%的平均吞吐量,而RLCC则相对MSPCC能提升约30%的平均吞吐量。图44幅,表1个,参考文献104篇